CN110660122A - 一种基于pca的体绘制多光源设计方法 - Google Patents

一种基于pca的体绘制多光源设计方法 Download PDF

Info

Publication number
CN110660122A
CN110660122A CN201910883910.1A CN201910883910A CN110660122A CN 110660122 A CN110660122 A CN 110660122A CN 201910883910 A CN201910883910 A CN 201910883910A CN 110660122 A CN110660122 A CN 110660122A
Authority
CN
China
Prior art keywords
theta
pca
light
gradient
scene
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910883910.1A
Other languages
English (en)
Inventor
高颖
李启凡
汪静
陈局非
郭淑霞
李锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northwest University of Technology
Original Assignee
Northwest University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Northwest University of Technology filed Critical Northwest University of Technology
Priority to CN201910883910.1A priority Critical patent/CN110660122A/zh
Publication of CN110660122A publication Critical patent/CN110660122A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/50—Lighting effects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/08—Volume rendering

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Generation (AREA)

Abstract

本发明涉及一种基于PCA的体绘制多光源设计方法，首先在视线方向添加主光，然后计算体数据灰度的梯度向量，接着利用PCA提取体数据梯度向量集的协方差矩阵的特征向量，根据前两个特征向量的方向分别添加两个辅光，并根据每个特征向量对应的特征值设置辅灯的强度，最后利用色调映射方法优化图像的动态范围，实现绘制场景中高光和阴影的平衡。仿真表明，本发明可以有效提高体绘制场景的深度感知和立体感，同时避免了光源较多引起的图像动态范围过大的情况。

Description

一种基于PCA的体绘制多光源设计方法
技术领域
本发明属于体绘制光照设计领域，涉及一种基于PCA的体绘制多光源设计方法。
背景技术
体绘制中的光照设计对于体绘制绘制场景的表现效果非常重要，尤其是场景的真实感程度非常依赖于光照的设计。目前体绘制光照算法可以分为局部光照和全局光照两类，局部光照只考虑简单的光照现象的模拟，包括镜面反射、漫反射、环境光等，计算量小，速度快；全局光照模型考虑整个体数据中大部分点通过间接作用对当前采样点的影响，包括光线在镜面反射之后的反射光、穿过透明或者半透明物体的折射光继续前进对下一位置的影响等，计算复杂度较大。本发明是在局部光照算法Phong光照模型的基础上进行多光源设计。Phong光照模型是一种基于物理观察经验的简单高效的局部光照模型，此模型假设物体表面为非理想镜面反射体，且场景中存在两种光，一种为环境光，一种为方向光，分别计算这两种光照射到物体表面所产生的光照现象，最后将两种反射效果相加，即可得出最终的光照效果。
PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的线性数据降维算法。PCA的主要思想是将n维特征映射到k(k<n)维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。其优点是用户可以对新求出的“主元”向量的重要性进行排序，根据需要自由选取前面最重要的维数，而将后面的维数省去，这样在对数据进行特征降维的同时最大程度地保持了原有数据的信息。同时，PCA是完全无参数限制的，在计算过程中不需要人为的设定参数或是根据任何经验模型对计算进行干预。
色调映射是在有限动态范围媒介上近似显示高动态范围图像的一项计算机图形学技术，该技术要解决的问题是进行大幅度的对比度衰减将场景亮度变换到可以显示的范围，同时要保持图像细节与颜色等对于表现原始场景非常重要的信息。色调映射又可以分为全局色调映射方法和局域色调映射方法，其中全局色调映射算法对整幅图像的所有像素点采用相同的转换函数，它只基于图像全局特性进行调整，而局部色调映射算法在图像中不同的区域采用不同的转换函数，因此具有更好的视觉效果。本发明采用的是全局色调映射中的对数映射方法。
现有的体绘制光照系统多为单光源设计，对于多光源的关注较少，因此场景的空间感不强，生成的阴影与高光的比例不够协调。多光源设计方面，Lei Wang and ArieE.Kaufman从形状感知和深度感知出发确定主光及辅助光的参数，但是该方法不支持点光源；Yubo Zhang and Kwan-Liu Ma利用PCA方法添加了主光、辅光和背景光，但是该算法只关注了体数据表面的起伏，未考虑内部的体数据。
发明内容
要解决的技术问题
为了避免现有技术的不足之处，本发明提出一种基于PCA的体绘制多光源设计方法，解决目前单光源下的体绘制系统立体感不强、高光与阴影比例不协调的问题。
技术方案
一种基于PCA的体绘制多光源设计方法，其特征在于步骤如下：
步骤1：为渲染被拍摄场景添加主光L0，主光方向与观察视线向量S＝(0,0,-1)的方向一致，强度I＝1；
步骤2：计算体数据所有体素灰度的梯度向量，得到梯度数据集：
其中：f(xi,yi,zi)为体数据任意一点(xi,yi,zi)处的灰度值；
步骤3：对梯度数据集进行PCA分析
Figure BDA0002206712920000031
s.t.WTW＝I
其中，
Figure BDA0002206712920000032
矩阵是所有体素的梯度数据，每行代表一个体素的梯度的X轴、Y轴和Z轴分量，WT是W矩阵的转置，在约束条件WTW＝I下，满足最大化目标函数的矩阵W就是经过PCA降维后得到的投影矩阵，利用拉格朗日乘子法得到如下的广义特征值求解问题：
XXTwi＝λiwi
w1,w2,···,wt为上式中最大的t个特征值对应的特征向量，则PCA投影矩阵表示为W＝[w1,w2,···,wt]∈Rn×t，原数据集X的低维表示为yi＝WTxi(i＝1,2,···,n)；
步骤4：提取前两个特征值对应的特征向量V1＝w1和V2＝w2，利用
Figure BDA0002206712920000033
计算V1与视线向量S＝(0,0,-1)夹角θ0，若θ0为锐角，则设定辅光L1的方向为V1，如果θ0为非锐角，设定L1的方向为-V1，然后设定L1的强度
Figure BDA0002206712920000034
其中λ1和λ2分别为特征向量V1和V2对应的特征值，为场景添加辅光L1；
步骤5：利用
Figure BDA0002206712920000035
计算V2与视线向量S＝(0,0,-1)夹角θ1，如果θ1为锐角，则设定辅光L2的方向为V2，如果θ1为非锐角，设定L2的方向为-V2，然后检查L2与L1夹角θ2是否小于30°，如果θ2＜30°，则取消L2，如果θ≥30°，则添加L2，并且设定L2的强度
步骤6：对生成的图像亮度Iw进行对数映射：
Figure BDA0002206712920000037
其中，Id为最终显示的亮度，Imax为场景最大的亮度。
所述对数函数的底数k取2。
有益效果
本发明提出的一种基于PCA的体绘制多光源设计方法，首先在视线方向添加主光，然后计算体数据灰度的梯度向量，接着利用PCA提取体数据梯度向量集的协方差矩阵的特征向量，根据前两个特征向量的方向分别添加两个辅光，并根据每个特征向量对应的特征值设置辅灯的强度，最后利用色调映射方法优化图像的动态范围，实现绘制场景中高光和阴影的平衡。仿真表明，本发明可以有效提高体绘制场景的深度感知和立体感，同时避免了光源较多引起的图像动态范围过大的情况。
本发明从不同角度为渲染场景添加多个光源，避免了单一光源下图像明暗对比过大、阴影效果不佳的问题，同时利用PCA方法调整辅助光源的方向和强度，最后利用色调映射避免了多光源照射下场景动态范围过大的问题，最终使渲染场景的明暗对比趋于协调，有效提高了场景的深度感知，增强了图像的立体感和空间感。
附图说明
图1：本发明方法流程
图2：体数据在单灯下的效果图
图3：体数据在三灯下的效果图
具体实施方式
现结合实施例、附图对本发明作进一步描述：
本发明方法流程图如图1所示：
(1)为场景添加主光L0，主光方向与视线向量方向S＝(0,0,-1)的方向一致，强度I＝1。
(2)以256×256×128数据集为例，根据公式1利用中心差分法计算该点梯度：
Figure BDA0002206712920000051
以此类推，求出体数据每个体素灰度的梯度向量。
(3)对步骤2所求得的梯度数据集进行PCA分析。该问题可转换为一个优化问题：
Figure BDA0002206712920000052
其中，
Figure BDA0002206712920000053
矩阵是256×256×128个体素的梯度数据，每行代表一个体素的梯度的X轴、Y轴和Z轴分量，在约束条件WTW＝I下，满足最大化目标函数的矩阵W就是经过PCA降维后得到的投影矩阵，利用拉格朗日乘子法可得到如下的广义特征值求解问题：
XXTwi＝λiwi (3)
假定w1,w2,···,wt为式(3)最大的t个特征值对应的特征向量，则PCA投影矩阵表示为W＝[w1,w2,···,wt]∈Rn×t，原数据集X的低维表示为yi＝WTxi(i＝1,2,···,n)。
对于梯度数据集，提取两个新的特征维度V1(12,-7,-8)和V2(-36,-19,-7)，对应的特征值分别为λ1＝54.3和λ2＝17.9。V1和V2上的梯度向量投影的方差最大，对于电磁体数据，这意味着沿该方向的光照可以经过更多的电磁场场强值变化剧烈的区域，而这些区域往往是携带更多信息的部分，对于研究电磁波传播特性有重要意义，也是用户感兴趣的区域。
(4)为了保持灯光照射在面向用户的一侧，计算V1与视线向量S＝(0,0,-1)夹角θ0＝61°＜90°，设定L1的方向为V1，然后设定L1的强度
Figure BDA0002206712920000054
(5)计算V2与视线向量S＝(0,0,-1)夹角θ1＝80°＜90°，设定L2的方向为V2，计算L2与L1夹角θ2＝111.5°＞90°，因此添加辅光L2，并且设定L2的强度
Figure BDA0002206712920000061
(6)由于场景中添加了多个光源，图像的动态范围可能会增大，即某些区域亮度过高，某些区域过暗，因此需要对生成的图像亮度Iw进行对数映射：
其中，Id为最终显示的亮度，Imax为场景最大的亮度，对数函数的底数k取2。
对比图2和图3可知，图2曝光整体偏暗，尤其是框中有大片阴影，经过多光源设计并且进行色调映射后，图3由于辅光的存在使得阴影部分适当减少，并且高光部分适当提亮，阴影与高光的比例也较为协调。

Claims (2)

1.一种基于PCA的体绘制多光源设计方法，其特征在于步骤如下：
步骤1：为渲染被拍摄场景添加主光L0，主光方向与观察视线向量S＝(0,0,-1)的方向一致，强度I＝1；
步骤2：计算体数据所有体素灰度的梯度向量，得到梯度数据集：
Figure FDA0002206712910000011
其中：f(xi,yi,zi)为体数据任意一点(xi,yi,zi)处的灰度值；
步骤3：对梯度数据集进行PCA分析
s.t.WTW＝I
其中，
Figure FDA0002206712910000013
矩阵是所有体素的梯度数据，每行代表一个体素的梯度的X轴、Y轴和Z轴分量，WT是W矩阵的转置，在约束条件WTW＝I下，满足最大化目标函数的矩阵W就是经过PCA降维后得到的投影矩阵，利用拉格朗日乘子法得到如下的广义特征值求解问题：
XXTwi＝λiwi
w1,w2,···,wt为上式中最大的t个特征值对应的特征向量，则PCA投影矩阵表示为W＝[w1,w2,···,wt]∈Rn×t，原数据集X的低维表示为yi＝WTxi(i＝1,2,···,n)；
步骤4：提取前两个特征值对应的特征向量V1＝w1和V2＝w2，利用
Figure FDA0002206712910000014
计算V1与视线向量S＝(0,0,-1)夹角θ0，若θ0为锐角，则设定辅光L1的方向为V1，如果θ0为非锐角，设定L1的方向为-V1，然后设定L1的强度其中λ1和λ2分别为特征向量V1和V2对应的特征值，为场景添加辅光L1；
步骤5：利用
Figure FDA0002206712910000021
计算V2与视线向量S＝(0,0,-1)夹角θ1，如果θ1为锐角，则设定辅光L2的方向为V2，如果θ1为非锐角，设定L2的方向为-V2，然后检查L2与L1夹角θ2是否小于30o，如果θ2＜30o，则取消L2，如果θ≥30o，则添加L2，并且设定L2的强度
Figure FDA0002206712910000022
步骤6：对生成的图像亮度Iw进行对数映射：
其中，Id为最终显示的亮度，Imax为场景最大的亮度。
2.根据权利要求1所述基于PCA的体绘制多光源设计方法，其特征在于：所述对数函数的底数k取2。
CN201910883910.1A 2019-09-19 2019-09-19 一种基于pca的体绘制多光源设计方法 Pending CN110660122A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910883910.1A CN110660122A (zh) 2019-09-19 2019-09-19 一种基于pca的体绘制多光源设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910883910.1A CN110660122A (zh) 2019-09-19 2019-09-19 一种基于pca的体绘制多光源设计方法

Publications (1)

Publication Number Publication Date
CN110660122A true CN110660122A (zh) 2020-01-07

Family

ID=69038176

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910883910.1A Pending CN110660122A (zh) 2019-09-19 2019-09-19 一种基于pca的体绘制多光源设计方法

Country Status (1)

Country Link
CN (1) CN110660122A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100272340A1 (en) * 2007-12-25 2010-10-28 Ezer Bar-Aviv Noise reduction of images
CN103229208A (zh) * 2011-01-20 2013-07-31 日本电气株式会社 图像处理系统、图像处理方法和图像处理程序
CN104966050A (zh) * 2015-06-02 2015-10-07 长安大学 一种基于asm的车道线检测方法
CN107067389A (zh) * 2017-01-05 2017-08-18 佛山科学技术学院 一种基于Sobel边缘检测与图像块亮度特征的图像篡改盲取证方法
CN107329172A (zh) * 2017-09-06 2017-11-07 四川易诚智讯科技有限公司 基于空间信息的多属性可视分析方法
CN109493414A (zh) * 2018-10-30 2019-03-19 西北工业大学 一种基于梯度自适应的Blinn-Phong光照增强算法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100272340A1 (en) * 2007-12-25 2010-10-28 Ezer Bar-Aviv Noise reduction of images
CN103229208A (zh) * 2011-01-20 2013-07-31 日本电气株式会社 图像处理系统、图像处理方法和图像处理程序
CN104966050A (zh) * 2015-06-02 2015-10-07 长安大学 一种基于asm的车道线检测方法
CN107067389A (zh) * 2017-01-05 2017-08-18 佛山科学技术学院 一种基于Sobel边缘检测与图像块亮度特征的图像篡改盲取证方法
CN107329172A (zh) * 2017-09-06 2017-11-07 四川易诚智讯科技有限公司 基于空间信息的多属性可视分析方法
CN109493414A (zh) * 2018-10-30 2019-03-19 西北工业大学 一种基于梯度自适应的Blinn-Phong光照增强算法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YING GAO ET AL: "A Blinn-phong Light Enhancement Algorithm Based on the Gradient of Voxel", 《CONFERENCE:PROCEEDINGS OF THE 2019 INTERNATIONAL CONFERENCE ON COMPUTER(CNCI 2019)》 *
郭磊: "基于支持向量机的真实头模型三维重建方法的研究", 《中国博士学位论文全文数据库电子期刊 信息科技辑》 *

Similar Documents

Publication Publication Date Title
CN106548455B (zh) 用于调整图像的亮度的设备和方法
Zhang et al. Nerfactor: Neural factorization of shape and reflectance under an unknown illumination
US10692277B1 (en) Dynamically estimating lighting parameters for positions within augmented-reality scenes using a neural network
Nalpantidis et al. Stereo vision for robotic applications in the presence of non-ideal lighting conditions
US8976264B2 (en) Color balance in digital photography
CN112634156B (zh) 基于便携式设备采集图像估计材质反射参数的方法
CN105447906A (zh) 基于图像和模型计算光照参数进行重光照渲染的方法
JP2013127774A (ja) 画像処理装置、画像処理方法及びプログラム
US20210158139A1 (en) Methods and systems for geometry-aware image contrast adjustments via image-based ambient occlusion estimation
Wang et al. Lighting system for visual perception enhancement in volume rendering
Halle et al. Lightkit: A lighting system for effective visualization
Fu et al. Scene-awareness based single image dehazing technique via automatic estimation of sky area
US20140098263A1 (en) Image processing apparatus and image processing method
CN110660122A (zh) 一种基于pca的体绘制多光源设计方法
Xu et al. Intrinsic omnidirectional image decomposition with illumination pre-extraction
KR20110059275A (ko) 3차원 렌더링 이미지의 인터랙티브 조명 효과 편집 방법 및 장치
Lindsay et al. Automatic multi-light white balance using illumination gradients and color space projection
Filip et al. Efficient image based bidirectional texture function model
Valença et al. LM-GAN: A Photorealistic All-Weather Parametric Sky Model
Li et al. Shape and reflectance reconstruction in uncontrolled environments by differentiable rendering
Kaichi et al. Single-Shot Multi-light-Direction Searching on Discretized Lighting Space
Bao et al. Visual Informatics
TW201931313A (zh) 用於影像資料庫的光特徵空間
CN108682042B (zh) 基于蜻蜓视觉成像模型设置的三维纹理图案合成方法
Debelov et al. Light mesh: soft shadows as interpolation of visibility

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20221111