CN111695170B - 一种目标可见光特性实时仿真方法及装置 - Google Patents
一种目标可见光特性实时仿真方法及装置 Download PDFInfo
- Publication number
- CN111695170B CN111695170B CN202010543995.1A CN202010543995A CN111695170B CN 111695170 B CN111695170 B CN 111695170B CN 202010543995 A CN202010543995 A CN 202010543995A CN 111695170 B CN111695170 B CN 111695170B
- Authority
- CN
- China
- Prior art keywords
- visible light
- model
- target
- parameters
- target visible
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及目标可见光特性实时仿真方法及装置,该方法包括以下步骤:构建目标几何模型,并将所述几何模型离散化为多个面元;根据所述几何模型和所述多个面元的辐射特性参数,获取目标可见光特性数据集;基于所述目标可见光特性数据集进行训练,得到可见光特性模型;利用所述可见光特性模型生成目标可见光图像。相比于现有的目标可见光特性仿真方法,本发明方案利用获得的可见光特性模型对目标及环境特性进行仿真,无需再对不同光源及探测方向条件下进行大量光线跟踪计算,能够满足目标可见光特性实时仿真的需求,尤其适用于要求高分辨率图像精度的情况。
Description
技术领域
本发明涉及目标光学特性技术领域,尤其涉及一种目标可见光特性实时仿真方法、装置、计算机设备及计算机可读存储介质。
背景技术
目前的目标可见光波段特性仿真技术采用的方法是,针对不同探测方向,通过基于实际光线传输物理过程的光线跟踪算法进行大量计算,最终生成目标及环境的可见光图像。在该仿真过程中,涉及大量光线跟踪计算,需要很大的计算量,尤其对于要求高分辨率图像生成精度时,计算量急剧增大,因而不适于实时仿真。
因此,针对以上不足,需要提供一种能够满足高分辨率图像生成精度的目标可见光特性实时仿真方案。
发明内容
本发明要解决的技术问题在于,现有技术中对于要求高分辨率图像生成精度时,计算量急剧增大,不适于实时仿真,针对现有技术中的缺陷,提供了一种目标可见光特性实时仿真方法及装置。
为了解决上述技术问题,本发明提供了一种目标可见光特性实时仿真方法,包括以下步骤:
构建目标几何模型,并将所述几何模型离散化为多个面元;
根据所述几何模型和所述多个面元的辐射特性参数,获取目标可见光特性数据集;
基于所述目标可见光特性数据集进行训练,得到可见光特性模型;
利用所述可见光特性模型生成目标可见光图像。
可选地,所述根据所述几何模型和所述多个面元的辐射特性参数,获取目标可见光特性数据集具体包括:
利用所述几何模型,结合每个所述面元的辐射特性参数,基于光线传输的物理模型进行数值模拟,获得目标可见光特性数据;以光源参数和探测方向参数为变量,获取不同变量下的目标可见光特性数据集。
可选地,所述光源参数包括光源强度、发散角和波长;所述探测方向参数包括方位角和天顶角。
可选地,所述基于所述目标可见光特性数据集进行训练,得到可见光特性模型具体包括:
将所述光源参数和探测方向参数作为输入,将所述目标可见光特性数据集作为输出,利用机器学习模型进行训练,获取所述机器学习模型的训练参数,利用所述训练参数建立目标可见光特性模型。
本发明另一方面提供了一种目标可见光特性实时仿真装置,该装置包括:
离散化单元,用于构建目标几何模型,并将所述几何模型离散化为多个面元;
数据获取单元,用于根据所述几何模型和所述多个面元的辐射特性参数,获取目标可见光特性数据集;
模型训练单元,用于基于所述目标可见光特性数据集进行训练,得到可见光特性模型;
特性仿真单元,用于利用所述可见光特性模型生成目标可见光图像。
可选地,所述数据获取单元具体用于执行以下操作:
利用所述几何模型,结合每个所述面元的辐射特性参数,基于光线传输的物理模型进行数值模拟,获得目标可见光特性数据;
以光源参数和探测方向参数为变量,获取不同变量下的目标可见光特性数据集。
可选地,所述光源参数包括光源强度、发散角和波长;所述探测方向参数包括方位角和天顶角。
可选地,所述模型训练单元具体用于执行以下操作:
将所述光源参数和探测方向参数作为输入,将所述目标可见光特性数据集作为输出,利用机器学习模型进行训练,获取所述机器学习模型的训练参数,利用所述训练参数建立目标可见光特性模型。
本发明另一方面提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前述任一项所述方法的步骤。
本发明另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述任一项所述方法的步骤。
实施本发明的目标可见光特性实时仿真方法及装置、计算机设备、计算机可读存储介质,具有以下有益效果:本发明通过构建目标几何模型并进行离散化,通过光线跟踪建立目标可见光特性数据集,利用该可见光特性数据集进行模型训练,最终基于获得的目标可见光特性模型实时生成可见光图像,相比于现有的目标可见光特性仿真方法,本发明方案无需再对不同光源及探测方向下进行大量光线跟踪计算,能够满足目标可见光特性实时仿真的需求,尤其适用于要求高分辨率图像精度的情况。
附图说明
图1是本发明实施例一提供的目标可见光特性实时仿真方法的流程图;
图2是本发明实施例二提供的目标可见光特性实时仿真装置的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一
如图1所示,本发明实施例提供的目标可见光特性实时仿真方法,包括以下步骤:
首先步骤S1中,构建目标几何模型,并将所述几何模型离散化为多个面元。
本实施例中,目标为给定目标,例如卫星、飞机等。构建目标几何模型时,可以利用现有技术中的三维建模软件,例如UG(Unigraphics NX)、Inventor等软件,构建目标的三维几何模型。将目标几何模型离散化为多个面元时,可以利用现有技术中的网格划分软件,例如利用Hypermesh、ICEM、Gambit等软件,将目标的三维几何模型离散为大量的三角面元。
随后步骤S2中,根据所述几何模型和所述多个面元的辐射特性参数,获取目标可见光特性数据集。
在一些优选的实施例中,步骤S2具体包括:首先将步骤S1构建的目标几何模型作为输入,结合每个面元的辐射特性参数,基于光线传输的物理模型进行数值模拟,获得目标可见光特性数据。具体地,该步骤中,离散面元的辐射特性参数可以采用双向反射分布函数BRDF,基于光线传输的物理模型和算法,例如蒙特卡洛射线跟踪算法程序,或基于商用软件TracePro等,对目标表面的光线传输过程进行计算机数值模拟,本发明在数值模拟过程中考虑光子与目标表面的多次反射作用,通过计算机数值模拟获得目标在给定的环境光源以及给定探测方向上的目标可见光特性数据,例如,目标可见光特性数据包括光谱辐射强度、光谱辐射亮度、波段积分辐射亮度及波段积分辐射强度。在本发明中,环境光源包括但不限于太阳辐射、激光照射以及环境杂光照射。随后,以光源参数和探测方向参数为变量,获取不同变量下的目标可见光特性数据集。在一些更优选的实施例中,本发明中的光源参数包括光源强度、发散角和波长,探测方向参数包括方位角和天顶角。通过改变光源参数及探测方向参数,获取对应的目标可见光特性数据,由此得到不同变量下的目标可见光特性数据集。本发明中通过对给定目标获取不同光源参数及探测方向参数条件下的目标可见光特性数据,作为后续训练模型的输入输出,能够提升模型训练的准确性。
随后步骤S3中,基于步骤S2获取的目标可见光特性数据集进行训练,得到可见光特性模型。
在一些优选的实施例中,该步骤S3具体包括:以变量光源参数和探测方向参数作为输入,并将步骤S2获取的目标可见光特性数据集作为输出,利用机器学习模型进行训练,获取所述机器学习模型的训练参数,利用所述训练参数建立目标可见光特性模型。具体地,例如可以选取BP神经网络建立机器学习模型,先设定光源参数,以不同探测方向参数的离散数据作为输入向量X,定义为:
Y=[Ii,j],j=1,…,M
其中Ij,j为给定探测方向上探测到的目标的第j个空间象元的可见光特性数据,例如Ii,j取值包括光谱辐射强度、光谱辐射亮度、波段积分辐射亮度及波段积分辐射强度,此时输出神经元的个数为4个。再改变光源参数,重复前述步骤进行训练。即利用根据步骤S2通过光线传输算法数值模拟得到的在不同光源参数及探测方向参数的目标可见光特性数据集对神经网络进行训练。本发明对采用的机器学习算法的类型不做具体限定,例如可以采用人工神经网络算法,具体训练时可以采用非线性优化算法,如Levenberg-Marquarlt算法,通过训练获得机器学习模型的训练参数,例如人工神经网络算法的模型参数,由此建立给定目标及光源条件下的该目标的可见光特性模型,例如训练完成的人工神经网络模型。
最后步骤S4中,利用所述可见光特性模型生成目标可见光图像
在得到训练完成的目标可见光特性模型后,可对目标及环境特性进行仿真。具体地,根据待仿真的光源参数和探测方向参数,利用步骤S3获得的目标可见光特性模型,例如人工神经网络模型,实时生成给定待仿真的光源参数及探测方向参数下的目标可见光图像。
本发明通过构建目标几何模型并进行离散化,通过光线跟踪建立目标可见光特性数据集,利用该可见光特性数据集进行模型训练,最终基于获得的目标可见光特性模型实时生成可见光图像,相比于现有的目标可见光特性仿真方法,本发明方案无需再对不同光源及探测方向下进行大量光线跟踪计算,可避免传统利用物理引擎的大量计算,从而极大缩短计算时间,能够满足目标可见光特性实时仿真的需求,尤其适用于要求高分辨率图像精度的情况,可实现高精度、快速的目标可见光特性仿真。
实施例二
如图2所示,本实施例二提供的目标可见光特性实时仿真装置,包括离散化单元100、数据获取单元200、模型训练单元300和特性仿真单元400。
其中,离散化单元100用于构建目标几何模型,并将所述几何模型离散化为多个面元。
本实施例中,目标为给定目标,例如卫星、飞机等。构建目标几何模型时,可以利用现有技术中的三维建模软件,例如UG(Unigraphics NX)、Inventor等软件,构建目标的三维几何模型。将目标几何模型离散化为多个面元时,可以利用现有技术中的网格划分软件,例如利用Hypermesh、ICEM、Gambit等软件,将目标的三维几何模型离散为大量的三角面元。
数据获取单元200,用于根据所述几何模型和所述多个面元的辐射特性参数,获取目标可见光特性数据集。
在一些优选的实施例中,该数据获取单元200具体用于执行以下操作:将离散化单元100构建的目标几何模型作为输入,结合每个面元的辐射特性参数,基于光线传输的物理模型进行数值模拟,获得目标可见光特性数据。具体地,离散面元的辐射特性参数可以采用双向反射分布函数BRDF,基于光线传输的物理模型和算法,例如蒙特卡洛射线跟踪算法程序,或基于商用软件TracePro等,对目标表面的光线传输过程进行计算机数值模拟,本发明实施例在数值模拟过程中考虑光子与目标表面的多次反射作用,通过计算机数值模拟获得目标在给定的环境光源以及给定探测方向上的目标可见光特性数据,例如,目标可见光特性数据包括光谱辐射强度、光谱辐射亮度、波段积分辐射亮度及波段积分辐射强度。在本发明实施例中,环境光源包括但不限于太阳辐射、激光照射以及环境杂光照射。再以光源参数和探测方向参数为变量,获取不同变量下的目标可见光特性数据集。在一些更优选的实施例中,所述光源参数包括光源强度、发散角和波长;所述探测方向参数包括方位角和天顶角。通过改变光源参数及探测方向参数,获取目标可见光特性数据,由此得到不同变量下的目标可见光特性数据集。本发明中通过对给定目标获取不同光源参数及探测方向参数条件下的目标可见光特性数据,作为后续训练模型的输入输出,能够提升模型训练的准确性。
模型训练单元300,用于基于所述目标可见光特性数据集作进行训练,得到可见光特性模型。
在一些优选的实施例中,该模型训练单元300具体用于执行以下操作:以变量光源参数和探测方向参数作为输入,并将数据获取单元200获取的目标可见光特性数据集作为输出,利用机器学习模型进行训练,获取所述机器学习模型的训练参数,利用所述训练参数建立目标可见光特性模型。具体地,例如可以选取BP神经网络建立机器学习模型,先设定光源参数,以不同的探测方向参数的离散数据作为输入向量,探测方向参数包括方位角和天顶角时,输入神经元的个数可以为2个,以数据获取单元200获取的目标可见光特性数据集作为神经网络的输出向量,例如包括光谱辐射强度、光谱辐射亮度、波段积分辐射亮度及波段积分辐射强度,此时输出神经元的个数为4个,再改变光源参数重复前述步骤进行训练。即利用根据步骤S2通过光线传输算法数值模拟得到的在不同光源参数及探测方向参数的目标可见光特性数据集对神经网络进行训练。本发明对采用的机器学习算法的类型不做具体限定,例如可以采用人工神经网络算法,具体训练时可以采用非线性优化算法,如Levenberg-Marquarlt算法,通过训练获得机器学习模型的训练参数,例如人工神经网络算法的模型参数,由此建立给定目标及光源条件下的该目标的可见光特性模型,例如训练完成的人工神经网络模型。
特性仿真单元400,用于利用模型训练单元300得到的可见光特性模型生成目标可见光图像。在得到训练完成的目标可见光特性模型后,可对目标及环境特性进行仿真。具体地,根据待仿真的光源参数和探测方向参数,利用模型训练单元300获得的目标可见光特性模型,例如人工神经网络模型,实时生成给定光源参数及探测方向参数下的目标可见光图像。
此外,本发明还提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现前述任一项所述目标可见光特性仿真方法的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述任一项所述目标可见光特性仿真方法的步骤。
应该理解地是,本发明的目标可见光特性实时仿真装置的原理与前面目标可见光特性实时仿真方法相同,因此对于目标可见光特性实时仿真方法的实施例的具体阐述也适用于目标可见光特性实时仿真装置。
综上所述,由于现有的目标可见光波段特性仿真技术的实现过程为:针对不同探测方向,通过基于实际光线传输物理过程的光线跟踪算法进行大量计算,最终生成目标及环境的可见光图像。该仿真过程中,涉及大量光线跟踪计算,需要很大的计算量,特别对于要求高分辨率图像生成精度时,计算量急剧增大,因而不适于实时仿真。针对现有技术存在的问题,本发明通过构建目标几何模型并进行离散化,通过光线跟踪建立目标可见光特性数据集,利用该可见光特性数据集进行模型训练,最终基于获得的目标可见光特性模型可对目标及环境特性仿真,实时生成可见光图像,相比于现有的目标可见光特性仿真方法,本发明方案无需再对不同光源及探测方向下进行大量光线跟踪计算,可避免传统利用物理引擎的大量计算,从而极大缩短计算时间,能够满足目标可见光特性实时仿真的需求,尤其适用于要求高分辨率图像精度的情况,可实现高精度、快速的目标可见光特性仿真。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种目标可见光特性实时仿真方法,其特征在于,包括以下步骤:
构建目标几何模型,并将所述几何模型离散化为多个面元;
根据所述几何模型和所述多个面元的辐射特性参数,获取目标可见光特性数据集;
基于所述目标可见光特性数据集进行训练,得到可见光特性模型;
利用所述可见光特性模型生成目标可见光图像;
所述根据所述几何模型和所述多个面元的辐射特性参数,获取目标可见光特性数据集具体包括:
利用所述几何模型,结合每个所述面元的辐射特性参数,基于光线传输的物理模型进行数值模拟,获得目标可见光特性数据;以光源参数和探测方向参数为变量,获取不同变量下的目标可见光特性数据集;
所述光源参数包括光源强度、发散角和波长;所述探测方向参数包括方位角和天顶角。
2.根据权利要求1所述的目标可见光特性实时仿真方法,其特征在于,所述基于所述目标可见光特性数据集进行训练,得到可见光特性模型具体包括:
将所述光源参数和探测方向参数作为输入,将所述目标可见光特性数据集作为输出,利用机器学习模型进行训练,获取所述机器学习模型的训练参数,利用所述训练参数建立目标可见光特性模型。
3.一种目标可见光特性实时仿真装置,其特征在于,包括:
离散化单元,用于构建目标几何模型,并将所述几何模型离散化为多个面元;
数据获取单元,用于根据所述几何模型和所述多个面元的辐射特性参数,获取目标可见光特性数据集;
模型训练单元,用于基于所述目标可见光特性数据集进行训练,得到可见光特性模型;
特性仿真单元,用于利用所述可见光特性模型生成目标可见光图像;
所述数据获取单元具体用于执行以下操作:
利用所述几何模型,结合每个所述面元的辐射特性参数,基于光线传输的物理模型进行数值模拟,获得目标可见光特性数据;以光源参数和探测方向参数为变量,获取不同变量下的目标可见光特性数据集;
所述光源参数包括光源强度、发散角和波长;所述探测方向参数包括方位角和天顶角。
4.根据权利要求3所述的目标可见光特性实时仿真装置,其特征在于,所述模型训练单元具体用于执行以下操作:
将所述光源参数和探测方向参数作为输入,将所述目标可见光特性数据集作为输出,利用机器学习模型进行训练,获取所述机器学习模型的训练参数,利用所述训练参数建立目标可见光特性模型。
5.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于:所述处理器执行所述计算机程序时实现权利要求1至2中任一项所述方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现权利要求1至2中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543995.1A CN111695170B (zh) | 2020-06-15 | 2020-06-15 | 一种目标可见光特性实时仿真方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010543995.1A CN111695170B (zh) | 2020-06-15 | 2020-06-15 | 一种目标可见光特性实时仿真方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111695170A CN111695170A (zh) | 2020-09-22 |
CN111695170B true CN111695170B (zh) | 2023-01-13 |
Family
ID=72481152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010543995.1A Active CN111695170B (zh) | 2020-06-15 | 2020-06-15 | 一种目标可见光特性实时仿真方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111695170B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745055A (zh) * | 2014-01-03 | 2014-04-23 | 西安电子科技大学 | 一种基于光谱brdf的空间目标可见光成像方法 |
CN107993281A (zh) * | 2018-01-09 | 2018-05-04 | 北京航空航天大学 | 一种空间目标可见光光学特性仿真方法 |
CN108074275A (zh) * | 2016-11-10 | 2018-05-25 | 北京仿真中心 | 基于光线跟踪算法的高帧频可见光图像模拟方法及系统 |
WO2018120444A1 (zh) * | 2016-12-31 | 2018-07-05 | 华中科技大学 | 一种动目标的红外辐射光谱特性仿真分析方法 |
-
2020
- 2020-06-15 CN CN202010543995.1A patent/CN111695170B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745055A (zh) * | 2014-01-03 | 2014-04-23 | 西安电子科技大学 | 一种基于光谱brdf的空间目标可见光成像方法 |
CN108074275A (zh) * | 2016-11-10 | 2018-05-25 | 北京仿真中心 | 基于光线跟踪算法的高帧频可见光图像模拟方法及系统 |
WO2018120444A1 (zh) * | 2016-12-31 | 2018-07-05 | 华中科技大学 | 一种动目标的红外辐射光谱特性仿真分析方法 |
CN107993281A (zh) * | 2018-01-09 | 2018-05-04 | 北京航空航天大学 | 一种空间目标可见光光学特性仿真方法 |
Non-Patent Citations (2)
Title |
---|
双向反射分布函数在空间目标可见光反射特性建模中的应用;孙成明等;《光学技术》;20080915(第05期);全文 * |
空间目标可见光散射特性建模方法研究;张伟等;《光子学报》;20081215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111695170A (zh) | 2020-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Estimating wheat green area index from ground-based LiDAR measurement using a 3D canopy structure model | |
US9523571B2 (en) | Depth sensing with depth-adaptive illumination | |
Herbel et al. | Fast point spread function modeling with deep learning | |
CN115082639A (zh) | 图像生成方法、装置、电子设备和存储介质 | |
CA3125794A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
CN110826248B (zh) | 基于光源数据库仿真红外摄像头暗角的方法及系统 | |
CN112785526B (zh) | 一种用于图形处理的三维点云修复方法 | |
CN111784818B (zh) | 生成三维人体模型的方法、装置及计算机可读存储介质 | |
JPWO2015041295A1 (ja) | 地表種別分類方法および地表種別分類プログラム並びに地表種別分類装置 | |
Goncalves et al. | Deepdive: An end-to-end dehazing method using deep learning | |
CN110889426A (zh) | 三维表达体生成系统 | |
Gannon et al. | Using machine learning to create high-efficiency freeform illumination design tools | |
CN107958489B (zh) | 一种曲面重建方法及装置 | |
Underwood et al. | Wave optics approach for incoherent imaging simulation through distributed turbulence | |
Do | Application of neural networks for stereo-camera calibration | |
CN111695170B (zh) | 一种目标可见光特性实时仿真方法及装置 | |
CN117579753A (zh) | 三维扫描方法、装置、计算机设备以及存储介质 | |
CN116958396A (zh) | 图像重光照方法、装置及可读存储介质 | |
KR102412652B1 (ko) | 인공지능 학습용 데이터 생성 시스템 | |
CN115713581A (zh) | 一种动态模型生成方法、装置及设备 | |
CN115661251A (zh) | 一种基于成像仿真的空间目标识别样本生成系统与方法 | |
Mao et al. | An off-axis flight vision display system design using machine learning | |
CN112698632A (zh) | 一种全自动化生产线数字孪生系统、方法及设备 | |
US20230351568A1 (en) | Reflection-component-reduced image generating device, reflection component reduction inference model generating device, reflection-component-reduced image generating method, and program | |
Chen et al. | Mesh-Based Semi-Calibrated Photometric Stereo with Near Quasi Point Lights |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |