CN113223149A - 三维模型纹理生成方法、装置、设备及存储介质 - Google Patents
三维模型纹理生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113223149A CN113223149A CN202110503056.9A CN202110503056A CN113223149A CN 113223149 A CN113223149 A CN 113223149A CN 202110503056 A CN202110503056 A CN 202110503056A CN 113223149 A CN113223149 A CN 113223149A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- image
- mold surface
- vector
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012216 screening Methods 0.000 claims abstract description 63
- 239000013598 vector Substances 0.000 claims description 177
- 230000000903 blocking effect Effects 0.000 claims description 7
- 238000000465 moulding Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 11
- 230000009191 jumping Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
Abstract
本申请提供三维模型纹理生成方法、装置、设备及存储介质,涉及三维重建技术领域。包括:获取预先采集的影像中预设区域内的多个模型以及第一模型的目标模型面;从第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面中筛选可选遮挡模型面;根据目标模型面的第一像点坐标和可选遮挡模型面的第二像点坐标,确定第一像点坐标和第二像点坐标相交围成的多边形的面积;若相交围成的多边形的面积与目标模型面的像素面积的比值小于预设影像遮挡比例阈值,则将该影像作为目标模型面备选影像;根据目标模型面的类型,从各备选影像中筛选出最优影像,并基于最优影像生成目标模型面的纹理。本方案,提高三维模型纹理生成的真实性。
Description
技术领域
本申请涉及三维重建技术领域,具体而言,涉及一种三维模型纹理生成方法、装置、设备及存储介质。
背景技术
倾斜影像技术,是将垂直影像与倾斜影像两者相结合,多视角的获取建筑物墙面的最优纹理信息,进一步,可以将最优纹理映射到建筑物三维模型表面,得到带有真实感纹理的城市建筑物三维模型。但由于航摄瞬间,目标建筑物会受到其他建筑物的遮挡,造成无法获取到完整的目标建筑物面纹理影像,也称纹理遮挡现象。纹理遮挡现象会导致三维模型的真实性降低,因此,需要对倾斜影像中存在的纹理遮挡现象进行筛选及判断,以获得最优纹理并生成真实性较高的三维模型。
目前,在对倾斜影像中存在的纹理遮挡现象进行筛选及判断时,是将选取得到的最优影像的摄影中心与目标模型面的角点投影在地平面上,得到一个遮挡有效区域,判断疑似遮挡建筑物模型的角点是否在该遮挡有效区域内,若不在,则此影像不存在遮挡,可以将此影像作为目标模型面的最优纹理。
但是,现有的这种判断方法,存在其他模型或其余模型面筛选错误的情况,即未能有效地对目标建筑物模型及目标建筑物模型面进行合理地筛选,导致三维模型纹理生成的效果较差、效率偏低。
发明内容
本发明的目的在于,针对上述现有技术中的不足,提供一种三维模型纹理生成方法、装置、设备及存储介质,以便提高三维模型纹理生成的效率。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供了一种三维模型纹理生成方法,包括:
获取预先采集的影像中预设区域内的多个模型以及第一模型的待贴图的目标模型面,所述第一模型为所述多个模型中的模型;
从所述第一模型中除所述目标模型面之外的模型面及所述多个模型中除所述第一模型外的各模型的各模型面中筛选出可选遮挡模型面;
根据目标模型面的第一像点坐标和所述可选遮挡模型面的第二像点坐标,确定所述第一像点坐标和所述第二像点坐标相交围成的多边形的面积;
若所述相交围成的多边形的面积与所述目标模型面的像素面积的比值小于预设影像遮挡比例阈值,则将所述影像作为所述目标模型面的备选影像;
根据所述目标模型面的类型,从所述目标模型面对应的各备选影像中筛选出最优影像,并基于所述最优影像生成所述目标模型面的纹理。
可选地,所述从所述第一模型中除所述目标模型面之外的模型面及所述多个模型中除所述第一模型外的各模型的各模型面中筛选出可选遮挡模型面,包括:
对所述第一模型中除所述目标模型面之外的模型面及所述多个模型中除所述第一模型外的各模型的各模型面进行分类,得到底模型面和侧模型面;
根据底模型面和侧模型面与所述目标模型面的位置关系,确定所述可选遮挡模型面。
可选地,所述根据底模型面、侧模型面与所述目标模型面的位置关系,确定所述可选遮挡模型面,包括:
根据所述底模型面是否位于所述目标模型面上方、所述底模型面与所述目标模型面是否同向、所述目标模型面至所述底模型面的第一面心点向量、所述第一面心点向量与所述目标模型面的法向量夹角、以及所述影像的摄影中心至所述目标模型面的第二面心点向量、所述第二面心点向量与所述第一面心点向量夹角,确定所述底模型面是否为可选遮挡模型面;
根据所述侧模型面与所述目标模型面是否同向、所述目标模型面至所述侧模型面的第三面心点向量、所述第三面心点向量与所述目标模型面的法向量夹角、以及所述影像的摄影中心至所述目标模型面的第二面心点向量、所述第二面心点向量与所述第三面心点向量夹角,确定所述侧模型面是否为可选遮挡模型面。
可选地,所述根据所述底模型面是否位于所述目标模型面上方、所述底模型面与所述目标模型面是否同向、所述目标模型面至所述底模型面的第一面心点向量与所述目标模型面的法向量夹角、以及所述影像的摄影中心与所述目标模型面的第二面心点向量与所述第一面心点向量夹角,确定所述底模型面是否为可选遮挡模型面,包括:
若所述底模型面位于所述目标模型面上方、且所述底模型面与所述目标模型面非同向、且所述第一面心点向量与所述目标模型面的法向量夹角小于第一预设角度、且当所述目标模型面为顶面时所述第二面心点向量与所述第一面心点向量的夹角大于第二预设角度,则确定所述底模型面为可选遮挡模型面。
可选地,所述根据所述侧模型面与所述目标模型面是否同向、所述目标模型面至所述侧模型面的第三面心点向量与所述目标模型面的法向量夹角、以及所述影像的摄影中心至所述目标模型面的第二面心点向量与所述第三面心点向量夹角,确定所述侧模型面是否为可选遮挡模型面,包括:
若所述侧模型面与所述目标模型面非同向、且所述第三面心点向量与所述目标模型面的法向量夹角小于第一预设角度、且当所述目标模型面为顶面时所述第二面心点向量与所述第三面心点向量的夹角大于第二预设角度,则确定所述侧模型面为可选遮挡模型面。
可选地,所述根据所述目标模型面的类型,从所述目标模型面对应的各备选影像中筛选出最优影像,包括:
根据所述目标模型面的类型、影像遮挡比例,得到所述目标模型面在各所述备选影像中的综合面积;
将所述综合面积最大的备选影像作为所述最优影像。
可选地,所述根据所述目标模型面的类型,从所述目标模型面对应的各备选影像中筛选出最优影像之后,包括:
判断所述目标模型的顶面是否相连或在俯视图上相连,若是,则将相连顶面划分为同一区域,据此将所述目标模型的顶面划分为多个区域;
根据同一区域各顶面最优影像的使用次数,重新确定所述目标模型该区域顶面的最优影像;
使用所述重新确定的目标模型顶面的最优影像,生成所述目标模型的顶面纹理。
可选地,所述从所述目标模型中除所述目标面之外的模型面及所述多个模型中除所述目标模型外的各模型的各模型面中筛选出可选遮挡模型面之前,还包括:
获取所述影像摄影中心至所述目标模型面中点的第一向量;
根据所述影像摄影中心至所述目标模型面中点的第一向量,计算所述第一向量与所述目标模型面的法向量的夹角;
若所述夹角大于第三预设角度,则根据所述目标模型面在所述影像中的像点,确定所述影像为可见影像;其中,所述可见影像用于指示所述目标模型面在所述影像中具有完整的成像。
第二方面,本申请实施例还提供了一种三维模型纹理生成装置,所述装置包括:获取模块、筛选模块、确定模块、比较模块及生成模块;
所述获取模块,用于获取预先采集的影像中预设区域内的多个模型以及第一模型的待贴图的目标模型面,所述第一模型为所述多个模型中的模型;
所述筛选模块,用于从所述第一模型中除所述目标模型面之外的模型面及所述多个模型中除所述第一模型外的各模型的各模型面中筛选出可选遮挡模型面;
所述确定模块,用于根据目标模型面的第一像点坐标和所述可选遮挡模型面的第二像点坐标,确定所述第一像点坐标和所述第二像点坐标相交围成的多边形的面积;
所述比较模块,用于若所述相交围成的多边形的面积与所述目标模型面的像素面积的比值小于预设影像遮挡比例阈值,则将所述影像作为所述目标模型面的备选影像;
所述筛选模块,还用于根据所述目标模型面的类型,从所述目标模型面对应的各备选影像中筛选出最优影像;
所述生成模块,用于基于所述最优影像生成所述目标模型面的纹理。
可选地,所述筛选模块,还用于:
对所述第一模型中除所述目标模型面之外的模型面及所述多个模型中除所述第一模型外的各模型的各模型面进行分类,得到底模型面和侧模型面;
根据底模型面和侧模型面与所述目标模型面的位置关系,确定所述可选遮挡模型面。
可选地,所述筛选模块,还用于:
根据所述底模型面是否位于所述目标模型面上方、所述底模型面与所述目标模型面是否同向、所述目标模型面至所述底模型面的第一面心点向量、所述第一面心点向量与所述目标模型面的法向量夹角、以及所述影像的摄影中心至所述目标模型面的第二面心点向量、所述第二面心点向量与所述第一面心点向量夹角、确定所述底模型面是否为可选遮挡模型面;
根据所述侧模型面与所述目标模型面是否同向、所述目标模型面至所述侧模型面的第三面心点向量、所述第三面心点向量与所述目标模型面的法向量夹角、以及所述影像的摄影中心至所述目标模型面的第二面心点向量、所述第二面心点向量与所述第三面心点向量夹角,确定所述侧模型面是否为可选遮挡模型面。
可选地,所述筛选模块,还用于:
若所述底模型面位于所述目标模型面上方、且所述底模型面与所述目标模型面非同向、且所述第一面心点向量与所述目标模型面的法向量夹角小于第一预设角度、且当所述目标模型面为顶面时所述第二面心点向量与所述第一面心点向量的夹角大于第二预设角度,则确定所述底模型面为可选遮挡模型面。
可选地,所述筛选模块,还用于:
若所述侧模型面与所述目标模型面非同向、且所述第三面心点向量与所述目标模型面的法向量夹角小于第一预设角度、且当所述目标模型面为顶面时所述第二面心点向量与所述第三面心点向量的夹角大于第二预设角度,则确定所述侧模型面为可选遮挡模型面。
可选地,所述筛选模块,还用于:
根据所述目标模型面的类型、影像遮挡比例,得到所述目标模型面在各所述备选影像中的综合面积;
将所述综合面积最大的备选影像作为所述最优影像。
可选地,所述装置还包括:判断模块,所述判断模块用于:判断所述目标模型的顶面是否相连或在俯视图上相连,若是,则将相连顶面划分为同一区域,据此将所述目标模型的顶面划分为多个区域;
所述确定模块,还用于:
根据同一区域各顶面最优影像的使用次数,重新确定所述目标模型该区域顶面的最优影像;
所述生成模块,还用于:
使用所述重新确定的目标模型顶面的最优影像,生成所述目标模型的顶面纹理。
可选地,所述获取模块,还用于:
获取所述影像摄影中心至所述目标模型面中点的第一向量;
所述装置还包括:计算模块,所述计算模块用于根据所述影像摄影中心至所述目标模型面中点的第一向量,计算所述第一向量与所述目标模型面的法向量的夹角;
所确定模块,还用于:
若所述夹角大于第三预设角度,则根据目标模型面在所述影像中的像点,确定所述影像为可见影像;其中,所述可见影像用于指示所述目标模型面在所述影像中具有完整的成像。
第三方面,本申请实施例还提供了一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如第一方面提供的所述方法的步骤。
第四方面,本申请实施例还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如以执行如第一方面提供的所述方法的步骤。
本申请的有益效果是:
本申请实施例提供一种三维模型纹理生成方法、装置、设备及存储介质,包括:获取预先采集的影像中预设区域内的多个模型以及第一模型的待贴图的目标模型面,第一模型为多个模型中的模型;从第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面中筛选出可选遮挡模型面;根据目标模型面的第一像点坐标和可选遮挡模型面的第二像点坐标,确定第一像点坐标和第二像点坐标相交围成的多边形的面积;若相交围成的多边形的面积与目标模型面的像素面积的比值小于预设影像遮挡比例阈值,则将该影像作为目标模型面的备选影像;根据目标模型面的类型,从目标模型面对应的各备选影像中筛选出最优影像,并基于最优影像生成目标模型面的纹理。在本方案中,在对目标模型面进行遮挡判断时,不是对多个模型中除第一模型外的各模型进行整体判断,也不是对“可选遮挡模型面”进行逐像素判断,而是根据可选遮挡模型面与目标模型面相交围成的多边形的面积进行筛选,这样能够有效地对可选遮挡模型面进行合理地筛选,既能较精确的得到可选遮挡模型面对目标模型面的遮挡情况,又能保证较高的计算效率,从而提高三维模型纹理生成的真实性和效率。
另外,本申请考虑到目标模型的顶面可能存在的遮挡情况,对顶面影像进行了遮挡判断;在影像筛选过程中,对目标模型的顶面和侧面采用不同的筛选方法。同时还对目标模型的顶面进行了连续性处理,将单个面独自生成纹理转变为相连面统一生成纹理,保证了生成目标模型的顶面纹理的整体效果。
最后,本申请综合了目标模型面的类型、影像遮挡比例及目标模型面的像素面积等多种不同因素对纹理效果的影响,给出了影像选取公式,确保了影像拍摄角度较差影像优先级低于角度较好但存在轻微遮挡的影像,同时,还没有将侧面局限于倾斜影像之中,有利于生成更好效果的纹理。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电子设备的结构示意图;
图2为本申请实施例提供的一种三维模型纹理生成方法的流程示意图;
图3为本申请实施例提供的另一种三维模型纹理生成方法的流程示意图;
图4为本申请实施例提供的又一种三维模型纹理生成方法的流程示意图;
图5为本申请实施例提供的一种三维模型纹理生成方法中筛选可选遮挡模型面的整体流程示意图;
图6为本申请实施例提供的另一种三维模型纹理生成方法的流程示意图;
图7为本申请实施例提供的又一种三维模型纹理生成方法的流程示意图;
图8为本申请实施例提供的另一种三维模型纹理生成方法的流程示意图;
图9为本申请实施例提供的一种三维模型纹理生成方法的整体流程示意图;
图10为本申请实施例提供的一种三维模型纹理生成装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域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,都属于本申请保护的范围。
需要说明的是,本申请实施例中将会用到术语“包括”,用于指出其后所声明的特征的存在,但并不排除增加其它的特征。
在对本申请所提供的技术方案展开具体说明之前,先对本申请所涉及的部分名词术语进行简单说明。
1、目标模型面:三维模型A包括有F1、F2、F3、F4等多个模型面,当需要对三维模型A中的模型面F1生成纹理,则将三维模型A称为目标模型,模型面F1为目标模型面。
2、疑似遮挡模型:在某一幅影像中预设区域内可能存在三维模型B1至Bn等多个模型,且三维模型B1至Bn可能会对三维模型A的模型面F1产生遮挡,则将三维模型B1至Bn称为疑似遮挡模型。
3、可选遮挡模型面:若三维模型B1中的某一个模型面Q1对三维模型A的模型面F1可能产生遮挡,则将模型面Q1称为可选遮挡模型面。
图1为本申请实施例提供的一种电子设备的结构示意图;该电子设备如可以是计算机、服务器、处理器等处理设备,以用于实现本申请的三维模型纹理生成方法。如图1所示,该电子设备100包括:处理器101和存储器102。
处理器101、存储器102之间直接或间接地电性连接,以实现数据的传输或交互。例如,可通过一条或多条通信总线或信号线实现电性连接。
其中,处理器101可以是一种集成电路芯片,具有信号的处理能力。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器102可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。
其中,存储器102用于存储程序,处理器101调用存储器102存储的程序,以执行下面实施例提供的三维模型纹理生成方法。
可以理解,图1所述的结构仅为示意,电子设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
如下将通过多个具体的实施例对本申请所提供的三维模型纹理生成方法的实现原理和对应产生的有益效果进行说明。
图2为本申请实施例提供的一种三维模型纹理生成方法的流程示意图;该方法的执行主体可以上述图1中的电子设备,如图2所示,该方法包括:
S201、获取预先采集的影像中预设区域内的多个模型以及第一模型的待贴图的目标模型面,第一模型为多个模型中的模型。
其中,预先采集的影像可以是在无人机(或其他设备)上从多个角度拍摄到的建筑物模型的下视影像和/或倾斜影像。其中,下视影像是采用垂直摄影技术,获取的影像数据主要是建筑物模型的顶面纹理,倾斜影像主要是以一定的倾斜角度采集到的建筑物模型的墙面纹理。
在本实施例中,预设区域可以是指目标建筑物模型附近一定范围内的区域,在该预设范围内存在多个模型,如建筑物模型A1、建筑物模型A2、建筑物模型A3等,当对建筑物模型A1进行纹理生成时,将建筑物模型A1作为目标模型,也称为第一模型。
在一些实施例中,例如,第一模型的待贴图的目标模型面可以是指建筑物模型A1的顶面、侧面或者底面。
S202、从第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面中筛选出可选遮挡模型面。
在本实施例中,可以将“第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面”称为“待筛选模型面”。
为了便于说明,例如,“第一模型中的目标模型面”可以是指建筑物模型A1的侧面,则需要对多个“待筛选模型面”进行逐一筛选判断,以确定是哪些模型面对第一模型中的目标模型面的纹理信息造成了遮挡,也可将对第一模型中的目标模型面的纹理信息疑似产生遮挡的模型面称为“可选遮挡模型面”。
在本实施例中,考虑到多个模型中除第一模型外的各模型在预设区域内所处的位置信息不同,相应的,对第一模型中的目标模型面产生遮挡的程度也不相同。
因此,可以根据多个模型中除第一模型外的各模型在预设区域内所处的位置信息,对多个模型中除第一模型外的各模型进行分类,并基于分类后的各模型,对多个“待筛选模型面”进行筛选判断,以得到可选遮挡模型面。
或者,还可以基于多个“待筛选模型面”的类型,将多个“待筛选模型面”分类为底模型面、侧模型面、顶模型面,并基于分类后的模型面,使用不同的筛选判断方式,对多个“待筛选模型面”进行筛选,以得到可选遮挡模型面。
需要说明的是,在对多个“待筛选模型面”进行逐一筛选判断后,若在同一幅影像中没有一个模型面对第一模型中的目标模型面的纹理信息造成遮挡,也即,在该影像中不存在“可选遮挡模型面”。
S203、根据目标模型面的第一像点坐标和可选遮挡模型面的第二像点坐标,确定第一像点坐标和第二像点坐标相交围成的多边形的面积。
其中,像点坐标是指模型面在某一幅影像中的位置信息。
在本实例中,可以将第一模型中的目标模型面的第一像点坐标、可选遮挡模型面的第二像点坐标相连,得到由目标模型面和可选遮挡模型面相交围成的一个多边形,并基于第一像点坐标和第二像点坐标,计算得到围成多边形的面积。
S204、若相交围成的多边形的面积与目标模型面的像素面积的比值小于预设影像遮挡比例阈值,则将影像作为目标模型面的备选影像。
其中,可以将相交围成的多边形的面积与目标模型面的像素面积的比值,看成是“可选遮挡模型面”对“目标模型面”造成纹理遮挡的比例。
需要说明的是,需要根据每一幅影像中目标模型面的第一像点坐标与可选遮挡模型面的第二像点坐标,得到一个由目标模型面和可选遮挡模型面相交围成的多边形的面积,同理,也可得到多幅影像中由目标模型面和可选遮挡模型面相交围成的多边形面积,并根据每一幅影像中相交围成的多边形的面积与目标模型面的像素面积的比值,筛选出符合条件的多个备选影像。
在本实例中,例如,预设影像遮挡比例阈值取5%,并依次计算同一幅影像中的每一个相交围成的多边形面积与目标模型面的像素面积的比值,若计算得到同一幅影像中的任一个相交围成的多边形面积与目标模型面的像素面积的比值大于5%,则认为在该幅该影像中采集到的“目标模型面”被“可选遮挡模型面”严重遮挡,剔除该幅该影像,也不用对剩余的相交围成的多边形的面积与目标模型面的像素面积的比值进行计算,直接继续判断下一幅影像。
若在同一幅影像中,计算得到的可选遮挡模型面与目标模型面相交围成的多个多边形的面积与目标模型面的像素面积的比值小于5%,则继续计算该影像中目前已计算的相交围成的多个多边形的面积与目标模型面的像素面积的比值的累加和,若该累加和仍小于5%,则继续计算下一个可选遮挡模型面,若所有可选遮挡模型面计算完毕后该累加和仍小于5%,则将该影像作为“目标模型面”的备选影像。
在本实施例中,在对目标模型面进行遮挡判断时,根据可选遮挡模型面与目标模型面相交围成的多边形的面积进行判断,不是对多个模型中除第一模型外的各模型进行整体判断,也不对“可选遮挡模型面”的进行逐像素判断,既能较精确的得到遮挡情况,又能保证较高的计算效率。
此外,预设影像遮挡比例阈值的取值为5%,可以将轻微遮挡的影像保留,使得能够有效地对影像进行合理地筛选,提高了三维模型纹理生成的真实性和效率。
S205、根据目标模型面的类型,从目标模型面对应的各备选影像中筛选出最优影像,并基于最优影像生成目标模型面的纹理。
在上述实施例的基础上,判断目标模型面是顶面还是侧面,使用不同的筛选办法,从目标模型面对应的各备选影像中逐一筛选出最优影像,还可以利用开放图形库(OpenGraphics Library,简称OpenGL)将筛选出的最优纹理图像映射到第一模型的待贴图的目标模型面上,为目标模型面生成更具真实感的表面纹理,增强了三维模型的纹理真实感。
综上所述,本申请实施例提供一种三维模型纹理生成方法,包括:获取预先采集的影像中预设区域内的多个模型以及第一模型的待贴图的目标模型面,第一模型为多个模型中的模型;从第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面中筛选出可选遮挡模型面;根据目标模型面的第一像点坐标和可选遮挡模型面的第二像点坐标,确定第一像点坐标和第二像点坐标相交围成的多边形的面积;若相交围成的多边形的面积与目标模型面的像素面积的比值小于预设影像遮挡比例阈值,则将该影像作为目标模型面的备选影像;根据目标模型面的类型,从目标模型面对应的各备选影像中筛选出最优影像,并基于最优影像生成目标模型面的纹理。在本方案中,在对目标模型面进行遮挡判断时,不是对多个模型中除第一模型外的各模型进行整体判断,也不是对“可选遮挡模型面”进行逐像素判断,而是根据可选遮挡模型面与目标模型面相交围成的多边形的面积进行判断,使得能够有效地对可选遮挡模型面进行合理地筛选,这样既能较精确的得到可选遮挡模型面对目标模型面的遮挡情况,又能保证较高的计算效率,从而提高三维模型纹理生成的真实性和效率。
将通过如下实施例具体讲解如何从第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面中筛选出可选遮挡模型面。
图3为本申请实施例提供的另一种三维模型纹理生成方法的流程示意图;上述步骤S202:从第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面中筛选出可选遮挡模型面,包括:
S301、对第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面进行分类,得到底模型面和侧模型面。
为了提高对多个可选遮挡模型面的筛选效率,考虑按模型面的类型,对第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面进行分类,得到底模型面、侧模型面、顶模型面。
由于顶模型面不会对目标模型面的遮挡情况,则可以直接将顶模型面排除,在本实施例中,只考虑底模型面和侧模型面对目标模型面的遮挡。
S302、根据底模型面和侧模型面与目标模型面的位置关系,确定可选遮挡模型面。
在本实施例中,考虑到当底模型面和/或侧模型面与目标模型面的位置关系不同时,则对目标模型面造成的纹理遮挡情况也不同。因此,根据底模型面和/或侧模型面与目标模型面的位置关系,进一步的进行筛选判断,以确定可选遮挡模型面。
如下实施例具体讲解如何对得到的底模型面和侧模型面,进一步的进行筛选判断,以确定可选遮挡模型面。
图4为本申请实施例提供的又一种三维模型纹理生成方法的流程示意图;上述步骤S302:根据底模型面、侧模型面与目标模型面的位置关系,确定可选遮挡模型面,包括:
S401、根据底模型面是否位于目标模型面上方、底模型面与目标模型面是否同向、目标模型面至底模型面的第一面心点向量、第一面心点向量与目标模型面的法向量夹角、以及影像的摄影中心至目标模型面的第二面心点向量、第二面心点向量与第一面心点向量夹角,确定底模型面是否为可选遮挡模型面。
举例说明,如何确定底模型面是否为可选遮挡模型面。
(1)例如,可以根据底模型面和目标模型面的面心点连线,确定该底模型面B是否在目标模型面上方。
若不在,则可以直接将该底模型面B排除;若在,则需要继续对该底模型面B进行判断筛选,以确定该底模型面B到底是否是可选遮挡模型面。
(2)根据第(1)步筛选得到的该底模型面B的法向量和目标模型面法向量,确定该底模型面B与目标模型面的夹角余弦值,若计算得到该底模型面B与目标模型面的夹角余弦值大于0.3,即该底模型面B与目标模型面这两个面的夹角约为72°,则可以确定该底模型面B与目标模型面的位置关系是基本同向,即不考虑底模型面B对目标模型面的遮挡情况。
若计算得到底模型面B与目标模型面的夹角余弦值小于或等于0.3,则可以确定底模型面B与目标模型面的位置关系是非同向,需要对底模型面B进一步的进行筛选判断,以确定底模型面B到底是否是可选遮挡模型面。
(3)根据第(2)步筛选得到目标模型面至底模型面B的第一面心点向量a,计算第一面心点向量a与目标模型面法向量的夹角是否小于90°,若大于90°,则可以将底模型面B排除,即不再考虑底模型面B对目标模型面的遮挡情况。
若小于90°,则可以确定底模型面B可能对目标模型面产生遮挡,需要对底模型面B进一步的进行筛选判断,以确定底模型面B到底是否是可选遮挡模型面。
(4)在一种可实现的方式中,例如,若目标模型面为顶面,则需要继续筛选判断底模型面B是否为可选遮挡模型面。具体的:获取影像的摄影中心至目标模型面的第二面心点向量b,计算上述得到的第一面心点向量a与第二面心点向量b的夹角值α,若第一面心点向量a与第二面心点向量b的夹角值α小于90°,则可以将底模型面B排除。
若第一面心点向量a与第二面心点向量b的夹角值α大于或等于90°,则可以确定底模型面B为可选遮挡模型面。
在另一种可实现的方式中,例如,若目标模型面不是顶面,则可以直接确定底模型面B为可选遮挡模型面。
采用上述步骤(1)-(4)继续对其他的底模型面进行筛选判断,以确定底模型面是否为可选遮挡模型面,并得到可选遮挡模型面。
S402、根据侧模型面与目标模型面是否同向、目标模型面至侧模型面的第三面心点向量、第三面心点向量与目标模型面的法向量夹角、以及影像的摄影中心至目标模型面的第二面心点向量、第二面心点向量与第三面心点向量夹角,确定侧模型面是否为可选遮挡模型面。
同理,也可以按照上述S401中步骤(2)-(4)中所述的具体步骤,对侧模型面进行筛选判断,以确定侧模型面是否为可选遮挡模型面,并得到可选遮挡模型面。
可选地,根据底模型面是否位于目标模型面上方、底模型面与目标模型面是否同向、目标模型面至底模型面的第一面心点向量与目标模型面的法向量夹角、以及影像的摄影中心至目标模型面的第二面心点向量与第一面心点向量夹角,确定底模型面是否为可选遮挡模型面,包括:
若底模型面位于目标模型面上方、且底模型面与目标模型面非同向、且第一面心点向量与目标模型面的法向量夹角小于第一预设角度、且当目标模型面为顶面时第二面心点向量与第一面心点向量的夹角大于第二预设角度,则确定底模型面为可选遮挡模型面。
在本实施例中,例如,可以将第一预设角度和第二预设角度同时设为90°,也可以根据实际需求,设置为不同的值。
在本实施例中,对上述上述S401中步骤(1)-(4)的筛选判断过程进行总结,若某一个底模型面B同时满足以下多个筛选判断条件,则可以确定底模型面B为可选遮挡模型面。
具体是,若底模型面B位于目标模型面上方、且底模型面B与目标模型面非同向、且第一面心点向量a与目标模型面的法向量夹角小于90°、且当目标模型面为顶面时第二面心点向量b与第一面心点向量a的夹角大于90°,则可以确定底模型面B为可选遮挡模型面。
需要说明的是,上述步骤S401和S402的执行顺序,不做前后限定。
可选地,若侧模型面与目标模型面非同向、且第三面心点向量与目标模型面的法向量夹角小于第一预设角度、且当目标模型面为顶面时第二面心点向量与第三面心点向量的夹角大于第二预设角度,则可以确定侧模型面为可选遮挡模型面。
同理,对上述上述S401中步骤(2)-(4)的筛选判断过程进行总结,若某一个侧模型面同时满足以下多个筛选判断条件,则可以确定侧模型面为可选遮挡模型面。
具体是,若侧模型面与目标模型面非同向、且第三面心点向量与目标模型面的法向量夹角小于90°、且当目标模型面为顶面时第二面心点向量与第三面心点向量的夹角大于90°,则确定侧模型面为可选遮挡模型面。
图5为本申请实施例提供的一种三维模型纹理生成方法中筛选可选遮挡模型面的整体流程示意图;可选地,如图5所示,该方法包括:
为了便于说明,将“第一模型中除目标模型面之外的模型面及多个模型中除所述第一模型外的各模型的各模型面”统称为待筛选模型面。
S501、对待筛选模型面进行分类,得到顶模型面、底模型面和侧模型面。
S502、若待筛选模型面是顶模型面,则跳转至步骤S510。
S503、若待筛选模型面是底模型面,则根据底模型面和目标模型面的面心点连线,判断底模型面是否位于目标模型面上方;若否,则跳转至步骤S510;若是,则跳转至步骤S505。
S504、若待筛选模型面是侧模型面,则跳转至步骤S505。
S505、根据待筛选模型面的法向量和目标模型面法向量,判断待筛选模型面是否与目标模型面同向,若是,则跳转至步骤S510;若否,则跳转至步骤S506。
S506、获取目标模型面至待筛选模型面的第一面心点向量a,计算第一面心点向量a与目标模型面法向量的夹角是否小于90°,若否,则跳转至步骤S510;若是,则跳转至步骤S507。
S507、判断目标模型面是否为三维模型的顶面,若否,则跳转至步骤S509;若是,则跳转至步骤S508。
S508、获取影像的摄影中心至目标模型面的第二面心点向量b,计算第一面心点向量a与第二面心点向量b的夹角值α,计算第一面心点向量a与第二面心点向量b的夹角值α是否大于90°,若是,则跳转至步骤S509;若否,则跳转至步骤S510。
S509、待筛选模型面为可选遮挡模型面。
S510、待筛选模型面为非可选遮挡模型面,直接排除。
可选地,本实施例提供三维模型纹理生成方法中的筛选可选遮挡模型面的整体方法的具体实现步骤以及产生的有益效果已在前面具体实施例中进行了详细说明,此处不再一一赘述。
图6为本申请实施例提供的另一种三维模型纹理生成方法的流程示意图;上述步骤S205:根据目标模型面的类型,从目标模型面对应的各备选影像中筛选出最优影像,包括:
S601、根据目标模型面的类型、影像遮挡比例,得到目标模型面在各备选影像中的综合面积。
其中,目标模型面的类型包括:顶面和侧面。可以根据目标模型面的类型,使用不同的筛选办法,对多个备选影像进行逐一筛选。
例如,若目标模型面为顶面,则可以在某一幅备选影像中,获取该备选影像的影像摄影中心,计算影像摄影中心与目标模型面的面心点距离,并将该面心点距离的相反数作为目标模型面在该幅备选影像中的综合面积。
例如,若目标模型面为侧面,则可以在多个幅备选影像中,获取目标模型面在各备选影像上的像素面积,并利用各备选影像的外方位元素,逐一计算目标模型面在各备选影像的影像法向量,并根据各备选影像的影像法向量与目标模型面法向量,计算得到各备选影像与目标模型面的夹角值α。
并计算各备选影像的影像摄影中心至目标模型面的面心向量与目标模型面法向量的水平夹角β,若夹角α与β均为钝角,则需要进一步判断α是否大于110°,若大于110°,则需要按照下面公式(1)计算目标模型面的综合面积S。
S=S1*cos(π-α)*cos(π-β) (1)
其中,S1是指目标模型面在影像上的像素面积。
若小于或等于,则需要按照公式(2)计算目标模型面的综合面积S。
S=S1*cos(π-β)*0.1 (2)
若上述S204中计算得到的相交围成的多边形的面积与目标模型面的面积的影像遮挡比例阈值小于5%,则不考虑目标模型面的类型,即目标模型面的类型无论是顶面或侧面,但需要根据影像遮挡比例k,再次更新目标模型面的综合面积S,具体如公式(3)所示:
S=S*(1-(10*k)) (3)
S602、将面积最大的备选影像作为最优影像。
在本实施例中,可根据对上述公式(1)-(3)计算得到目标模型面的在多个备选影像中的面积,对多个备选影像进行筛选,如,可将目标模型面的综合面积最大的备选影像为目标模型面的最优影像,并基于最优影像生成目标模型面的纹理,增强了三维模型纹理的真实感。
在本实施例中,本申请综合了目标模型面的类型、影像遮挡比例及目标模型面的像素面积等多种不同因素对纹理效果的影响,给出了影像选取公式,确保了影像拍摄角度较差影像优先级低于角度较好但存在轻微遮挡的影像,同时,还没有将侧面局限于倾斜影像之中,有利于生成更好效果的纹理。
通过如下实施例,具体描述在筛选出目标模型面对应的最优影像之后,还需要三维模型的顶面进行处理。
图7为本申请实施例提供的另一种三维模型纹理生成方法的流程示意图;上述步骤S205:根据目标模型面的类型,从目标模型面对应的各备选影像中筛选出最优影像之后,还包括:
S701、判断目标模型的顶面是否相连或在俯视图上相连,若是,则将相连顶面划分为同一区域,据此将目标模型的顶面划分为多个区域。
由于目标模型的顶面一般并非是由一个面组成,因此,需要对目标模型的顶面的连续性进行判断。如可根据目标模型的顶面的像点坐标,判断目标模型的顶面是否相连或在俯视图上相连,若是,则将目标模型的顶面划分为多个区域,这样可以将单个面独自生成纹理转变为相连或相近面统一生成纹理,确保了生成目标模型的顶面纹理的整体效果。
S702、根据同一区域各顶面最优影像的使用次数,重新确定目标模型该区域顶面的最优影像。
判断在同一区域内的顶面的最优影像是哪一幅备选影像,且该备选影像是否是下视影像,若是,则计算该备选影像的使用次数,选取在该区域内的使用次数最多的影像,且其使用次数需在该区域内达到一定比例,如使用次数过半,则可以将使用次数最多的影像作为目标模型该区域顶面的最优影像。
S703、使用重新确定的目标模型顶面的最优影像,生成目标模型的顶面纹理。
在上述实施例的基础上,继续判断在同一区域内不使用重新确定的最优影像的顶面是否在该影像中有完整成像,若有,则将该影像作为目标模型的顶面最优影像,若无,仍使用该顶面自身的最优影像,即重新确定之前的最优影像。基于最优影像生成目标模型的顶面纹理,实现了对目标模型顶面的连续性处理,将单个面独自生成纹理转变为相连面统一生成纹理,保证了生成目标模型的顶面纹理的整体效果,从而提高了生成目标模型的顶面纹理的真实效果。
图8为本申请实施例提供的另一种三维模型纹理生成方法的流程示意图;上述步骤S202:从目标模型中除目标面之外的模型面及多个模型中除目标模型外的各模型的各模型面中筛选出可选遮挡模型面之前,还包括:
S801、获取影像摄影中心至目标模型面中点的第一向量。
S802、根据影像摄影中心至目标模型面中点的第一向量,计算第一向量与目标模型面的法向量的夹角。
在一种可实现的方式中,可以获取影像摄影中心至目标模型面的中点的第一向量、目标模型面法向量,并根据第一向量与目标模型面的法向量的计算得到第一向量与目标模型面的法向量之间的夹角值。
S803、若夹角大于第三预设角度,则根据目标模型面在影像中的像点,确定影像为可见影像。
其中,可见影像用于指示目标模型面在该影像中具有完整的成像。
在本实施例中,例如,第三预设角度取值为96°。若上述计算得到的夹角值大于96°,则可以继续根据目标模型面在影像中的像点,以判断确定影像为可见影像。
在本实施例中,为了判断某一幅影像的可见性,还可以根据目标模型面在影像上的像点进行继续判断,若目标模型面在影像上的像点未超出该幅影像的像幅,则可以确定影像为可见影像。
图9为本申请实施例提供的一种三维模型纹理生成方法的整体流程示意图;可选地,如图9所示,该方法包括:
S901、从第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面中筛选出可选遮挡模型面。
S902、根据影像摄影中心至目标模型面中点的第一向量,计算第一向量与目标模型面的法向量的夹角;若夹角大于第三预设角度,则根据目标模型面在影像中的像点,判断该影像是否是可见影像,若否,则跳转至步骤S910;若是,则执行步骤S903。
S903、根据目标模型面的第一像点坐标和可选遮挡模型面的第二像点坐标,确定第一像点坐标和第二像点坐标相交围成的多边形的面积。
S904、若相交围成的多边形的面积与目标模型面的像素面积的比值小于预设影像遮挡比例阈值,则将该影像作为目标模型面的备选影像。
S905、根据目标模型面的类型、影像遮挡比例,得到目标模型面在各备选影像中的综合面积。
S906、将综合面积最大的备选影像作为目标模型面的最优影像。
S907、判断目标模型的顶面是否相连或在俯视图上相连,若是,则将相连顶面划分为同一区域,据此将目标模型的顶面划分为多个区域。
S908、根据同一区域的影像使用次数,重新确定目标模型的顶面的最优影像。
S909、分别使用目标模型的顶面的最优影像和各侧面的最优影像,生成目标模型的顶面纹理及各侧面的纹理。
S910、结束。
可选地,该三维模型纹理生成方法的整体流程的具体实现步骤以及产生的有益效果已在前面具体实施例中进行了详细说明,此处不再一一赘述。
下述对用以执行本申请所提供的三维模型纹理生成方法的装置、设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图10为本申请实施例提供的一种三维模型纹理生成装置的结构示意图,如图10所示,该装置包括:获取模块1001、筛选模块1002、确定模块1003、比较模块1004及生成模块1005。
获取模块1001,用于获取预先采集的影像中预设区域内的多个模型以及第一模型的待贴图的目标模型面,第一模型为多个模型中的模型;
筛选模块1002,用于从第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面中筛选出可选遮挡模型面;
确定模块1003,用于根据目标模型面的第一像点坐标和可选遮挡模型面的第二像点坐标,确定第一像点坐标和第二像点坐标相交围成的多边形的面积;
比较模块1004,用于若相交围成的多边形的面积与目标模型面的像素面积的比值小于预设影像遮挡比例阈值,则将影像作为目标模型面的备选影像;
筛选模块1002,还用于根据目标模型面的类型,从目标模型面对应的各备选影像中筛选出最优影像;
生成模块1005,用于基于最优影像生成目标模型面的纹理。
可选地,筛选模块1002,还用于:
对第一模型中除目标模型面之外的模型面及多个模型中除第一模型外的各模型的各模型面进行分类,得到底模型面和侧模型面;
根据底模型面和侧模型面与目标模型面的位置关系,确定可选遮挡模型面。
可选地,筛选模块1002,还用于:
根据底模型面是否位于目标模型面上方、底模型面与目标模型面是否同向、目标模型面至底模型面的第一面心点向量、第一面心点向量与目标模型面的法向量夹角、以及影像的摄影中心至目标模型面的第二面心点向量、第二面心点向量与第一面心点向量夹角,确定底模型面是否为可选遮挡模型面;
根据侧模型面与目标模型面是否同向、目标模型面至侧模型面的第三面心点向量、第三面心点向量与目标模型面的法向量夹角、以及影像的摄影中心至目标模型面的第二面心点向量、第二面心点向量与第三面心点向量夹角,确定侧模型面是否为可选遮挡模型面。
可选地,筛选模块1002,还用于:
若底模型面位于目标模型面上方、且底模型面与目标模型面非同向、且第一面心点向量与目标模型面的法向量夹角小于第一预设角度、且当目标模型面为顶面时第二面心点向量与第一面心点向量的夹角大于第二预设角度,则确定底模型面为可选遮挡模型面。
可选地,筛选模块1002,还用于:
若侧模型面与所述目标模型面非同向、且第三面心点向量与目标模型面的法向量夹角小于第一预设角度、且当目标模型面为顶面时第二面心点向量与第三面心点向量的夹角大于第二预设角度,则确定侧模型面为可选遮挡模型面。
可选地,筛选模块1002,还用于:
根据目标模型面的类型、影像遮挡比例,得到目标模型面在各备选影像中的综合面积;
将综合面积最大的备选影像作为最优影像。
可选地,该装置还包括:判断模块,判断模块用于:判断目标模型的顶面是否相连或在俯视图上相连,若是,则将相连顶面划分为同一区域,据此将目标模型的顶面划分为多个区域;
确定模块1003,还用于根据同一区域各顶面最优影像的使用次数,重新确定所述目标模型该区域顶面的最优影像;
生成模块1005,还用于使用重新确定的目标模型顶面的最优影像,生成目标模型的顶面纹理。
可选地,获取模块,还用于:获取影像摄影中心至目标模型面中点的第一向量;
该装置还包括:计算模块,计算模块用于根据影像摄影中心至目标模型面中点的第一向量,计算第一向量与目标模型面的法向量的夹角;
确定模块1003,还用于若夹角大于第三预设角度,则根据目标模型面在影像中的像点,确定影像为可见影像;其中,可见影像用于指示目标模型面在该影像中具有完整的成像。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
可选地,本发明还提供一种程序产品,例如计算机可读存储介质,包括程序,该程序在被处理器执行时用于执行上述方法实施例。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (10)
1.一种三维模型纹理生成方法,其特征在于,包括:
获取预先采集的影像中预设区域内的多个模型以及第一模型的待贴图的目标模型面,所述第一模型为所述多个模型中的模型;
从所述第一模型中除所述目标模型面之外的模型面及所述多个模型中除所述第一模型外的各模型的各模型面中筛选出可选遮挡模型面;
根据目标模型面的第一像点坐标和所述可选遮挡模型面的第二像点坐标,确定所述第一像点坐标和所述第二像点坐标相交围成的多边形的面积;
若所述相交围成的多边形的面积与所述目标模型面的像素面积的比值小于预设影像遮挡比例阈值,则将所述影像作为所述目标模型面的备选影像;
根据所述目标模型面的类型,从所述目标模型面对应的各备选影像中筛选出最优影像,并基于所述最优影像生成所述目标模型面的纹理。
2.根据权利要求1所述的方法,其特征在于,所述从所述第一模型中除所述目标模型面之外的模型面及所述多个模型中除所述第一模型外的各模型的各模型面中筛选出可选遮挡模型面,包括:
对所述第一模型中除所述目标模型面之外的模型面及所述多个模型中除所述第一模型外的各模型的各模型面进行分类,得到底模型面和侧模型面;
根据底模型面和侧模型面与所述目标模型面的位置关系,确定所述可选遮挡模型面。
3.根据权利要求2所述的方法,其特征在于,所述根据底模型面、侧模型面与所述目标模型面的位置关系,确定所述可选遮挡模型面,包括:
根据所述底模型面是否位于所述目标模型面上方、所述底模型面与所述目标模型面是否同向、所述目标模型面至所述底模型面的第一面心点向量、所述第一面心点向量与所述目标模型面的法向量夹角、以及所述影像的摄影中心至所述目标模型面的第二面心点向量、所述第二面心点向量与所述第一面心点向量夹角,确定所述底模型面是否为可选遮挡模型面;
根据所述侧模型面与所述目标模型面是否同向、所述目标模型面至所述侧模型面的第三面心点向量、所述第三面心点向量与所述目标模型面的法向量夹角、以及所述影像的摄影中心至所述目标模型面的第二面心点向量、所述第二面心点向量与所述第三面心点向量夹角,确定所述侧模型面是否为可选遮挡模型面。
4.根据权利要求3所述的方法,其特征在于,所述根据所述底模型面是否位于所述目标模型面上方、所述底模型面与所述目标模型面是否同向、所述目标模型面至所述底模型面的第一面心点向量与所述目标模型面的法向量夹角、以及所述影像的摄影中心至所述目标模型面的第二面心点向量与所述第一面心点向量夹角,确定所述底模型面是否为可选遮挡模型面,包括:
若所述底模型面位于所述目标模型面上方、且所述底模型面与所述目标模型面非同向、且所述第一面心点向量与所述目标模型面的法向量夹角小于第一预设角度、且当所述目标模型面为顶面时所述第二面心点向量与所述第一面心点向量的夹角大于第二预设角度,则确定所述底模型面为可选遮挡模型面。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述目标模型面的类型,从所述目标模型面对应的各备选影像中筛选出最优影像,包括:
根据所述目标模型面的类型、影像遮挡比例,得到所述目标模型面在各所述备选影像中的综合面积;
将所述综合面积最大的备选影像作为所述最优影像。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述目标模型面的类型,从所述目标模型面对应的各备选影像中筛选出最优影像之后,包括:
判断所述目标模型的顶面是否相连或在俯视图上相连,若是,则将相连顶面划分为同一区域,据此将所述目标模型的顶面划分为多个区域;
根据同一区域各顶面最优影像的使用次数,重新确定所述目标模型该区域顶面的最优影像;
使用所述重新确定的目标模型顶面的最优影像,生成所述目标模型的顶面纹理。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述从所述目标模型中除所述目标面之外的模型面及所述多个模型中除所述目标模型外的各模型的各模型面中筛选出可选遮挡模型面之前,还包括:
获取所述影像摄影中心至所述目标模型面中点的第一向量;
根据所述影像摄影中心至所述目标模型面中点的第一向量,计算所述第一向量与所述目标模型面的法向量的夹角;
若所述夹角大于第三预设角度,则根据所述目标模型面在所述影像中的像点,确定所述影像为可见影像;其中,所述可见影像用于指示所述目标模型面在所述影像中具有完整的成像。
8.一种三维模型纹理生成装置,其特征在于,所述装置包括:获取模块、筛选模块、确定模块、比较模块及生成模块;
所述获取模块,用于获取预先采集的影像中预设区域内的多个模型以及第一模型的待贴图的目标模型面,所述第一模型为所述多个模型中的模型;
所述筛选模块,用于从所述第一模型中除所述目标模型面之外的模型面及所述多个模型中除所述第一模型外的各模型的各模型面中筛选出可选遮挡模型面;
所述确定模块,用于根据目标模型面的第一像点坐标和所述可选遮挡模型面的第二像点坐标,确定所述第一像点坐标和所述第二像点坐标相交围成的多边形的面积;
所述比较模块,用于若所述相交围成的多边形的面积与所述目标模型面的像素面积的比值小于预设影像遮挡比例阈值,则将所述影像作为所述目标模型面的备选影像;
所述筛选模块,还用于根据所述目标模型面的类型,从所述目标模型面对应的各备选影像中筛选出最优影像;
所述生成模块,用于基于所述最优影像生成所述目标模型面的纹理。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-7任一所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-7任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110503056.9A CN113223149A (zh) | 2021-05-08 | 2021-05-08 | 三维模型纹理生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110503056.9A CN113223149A (zh) | 2021-05-08 | 2021-05-08 | 三维模型纹理生成方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113223149A true CN113223149A (zh) | 2021-08-06 |
Family
ID=77094266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110503056.9A Pending CN113223149A (zh) | 2021-05-08 | 2021-05-08 | 三维模型纹理生成方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223149A (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010005204A1 (en) * | 1996-08-29 | 2001-06-28 | Sanyo Electric Co., Ltd. | Texture information assignment method, object extraction method, three-dimensional model generating method, and apparatus thereof |
JP2003115057A (ja) * | 2001-10-05 | 2003-04-18 | Mitsubishi Electric Corp | テクスチャ編集装置、テクスチャ編集システムおよび方法 |
US20080050011A1 (en) * | 2006-08-24 | 2008-02-28 | Microsoft Corporation | Modeling and texturing digital surface models in a mapping application |
CN104574501A (zh) * | 2014-12-19 | 2015-04-29 | 浙江大学 | 一种针对复杂三维场景的高质量纹理映射方法 |
CN104732578A (zh) * | 2015-03-10 | 2015-06-24 | 山东科技大学 | 一种基于倾斜摄影技术的建筑物纹理优化方法 |
US9437034B1 (en) * | 2014-12-15 | 2016-09-06 | Google Inc. | Multiview texturing for three-dimensional models |
CN107103639A (zh) * | 2010-06-30 | 2017-08-29 | 巴里·林恩·詹金斯 | 确定网格多边形或网格多边形的分段的集合的方法和系统 |
CN108830940A (zh) * | 2018-06-19 | 2018-11-16 | 广东虚拟现实科技有限公司 | 遮挡关系处理方法、装置、终端设备及存储介质 |
CN109118565A (zh) * | 2018-07-13 | 2019-01-01 | 深圳供电局有限公司 | 一种顾及杆塔电力线遮挡的电力走廊三维模型纹理映射方法 |
CN109255808A (zh) * | 2018-09-12 | 2019-01-22 | 北京建筑大学 | 基于倾斜影像的建筑物纹理提取方法和装置 |
CN109325990A (zh) * | 2017-07-27 | 2019-02-12 | 腾讯科技(深圳)有限公司 | 图像处理方法及图像处理装置、存储介质 |
CN109685879A (zh) * | 2018-12-13 | 2019-04-26 | 广东启慧城市信息有限公司 | 多视影像纹理分布的确定方法、装置、设备和存储介质 |
CN109785421A (zh) * | 2018-12-06 | 2019-05-21 | 武汉天际航信息科技股份有限公司 | 一种基于空地影像组合的纹理映射方法及系统 |
CN109816708A (zh) * | 2019-01-30 | 2019-05-28 | 北京建筑大学 | 基于倾斜航空影像的建筑物纹理提取方法 |
CN110322541A (zh) * | 2019-07-08 | 2019-10-11 | 桂林理工大学 | 一种从五个倾斜相机中选择最优墙面纹理的方法 |
US20200111253A1 (en) * | 2018-10-03 | 2020-04-09 | Soletanche Freyssinet | Method for texturing a 3d model |
CN111260777A (zh) * | 2020-02-25 | 2020-06-09 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于倾斜摄影测量技术的建筑信息模型重构的方法 |
CN111369659A (zh) * | 2018-12-26 | 2020-07-03 | 杭州海康威视数字技术股份有限公司 | 一种基于三维模型的纹理映射方法、装置及设备 |
CN111369660A (zh) * | 2020-03-02 | 2020-07-03 | 中国电子科技集团公司第五十二研究所 | 一种三维模型的无接缝纹理映射方法 |
CN111563950A (zh) * | 2020-05-07 | 2020-08-21 | 贝壳技术有限公司 | 纹理映射策略确定方法、装置及计算机可读存储介质 |
CN112598789A (zh) * | 2020-12-30 | 2021-04-02 | 深圳中科智美科技有限公司 | 图像纹理重建方法、装置、设备及存储介质 |
-
2021
- 2021-05-08 CN CN202110503056.9A patent/CN113223149A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010005204A1 (en) * | 1996-08-29 | 2001-06-28 | Sanyo Electric Co., Ltd. | Texture information assignment method, object extraction method, three-dimensional model generating method, and apparatus thereof |
JP2003115057A (ja) * | 2001-10-05 | 2003-04-18 | Mitsubishi Electric Corp | テクスチャ編集装置、テクスチャ編集システムおよび方法 |
US20080050011A1 (en) * | 2006-08-24 | 2008-02-28 | Microsoft Corporation | Modeling and texturing digital surface models in a mapping application |
CN107103639A (zh) * | 2010-06-30 | 2017-08-29 | 巴里·林恩·詹金斯 | 确定网格多边形或网格多边形的分段的集合的方法和系统 |
US9437034B1 (en) * | 2014-12-15 | 2016-09-06 | Google Inc. | Multiview texturing for three-dimensional models |
CN104574501A (zh) * | 2014-12-19 | 2015-04-29 | 浙江大学 | 一种针对复杂三维场景的高质量纹理映射方法 |
CN104732578A (zh) * | 2015-03-10 | 2015-06-24 | 山东科技大学 | 一种基于倾斜摄影技术的建筑物纹理优化方法 |
CN109325990A (zh) * | 2017-07-27 | 2019-02-12 | 腾讯科技(深圳)有限公司 | 图像处理方法及图像处理装置、存储介质 |
CN108830940A (zh) * | 2018-06-19 | 2018-11-16 | 广东虚拟现实科技有限公司 | 遮挡关系处理方法、装置、终端设备及存储介质 |
CN109118565A (zh) * | 2018-07-13 | 2019-01-01 | 深圳供电局有限公司 | 一种顾及杆塔电力线遮挡的电力走廊三维模型纹理映射方法 |
CN109255808A (zh) * | 2018-09-12 | 2019-01-22 | 北京建筑大学 | 基于倾斜影像的建筑物纹理提取方法和装置 |
US20200111253A1 (en) * | 2018-10-03 | 2020-04-09 | Soletanche Freyssinet | Method for texturing a 3d model |
CN109785421A (zh) * | 2018-12-06 | 2019-05-21 | 武汉天际航信息科技股份有限公司 | 一种基于空地影像组合的纹理映射方法及系统 |
CN109685879A (zh) * | 2018-12-13 | 2019-04-26 | 广东启慧城市信息有限公司 | 多视影像纹理分布的确定方法、装置、设备和存储介质 |
CN111369659A (zh) * | 2018-12-26 | 2020-07-03 | 杭州海康威视数字技术股份有限公司 | 一种基于三维模型的纹理映射方法、装置及设备 |
CN109816708A (zh) * | 2019-01-30 | 2019-05-28 | 北京建筑大学 | 基于倾斜航空影像的建筑物纹理提取方法 |
CN110322541A (zh) * | 2019-07-08 | 2019-10-11 | 桂林理工大学 | 一种从五个倾斜相机中选择最优墙面纹理的方法 |
CN111260777A (zh) * | 2020-02-25 | 2020-06-09 | 中国电建集团华东勘测设计研究院有限公司 | 一种基于倾斜摄影测量技术的建筑信息模型重构的方法 |
CN111369660A (zh) * | 2020-03-02 | 2020-07-03 | 中国电子科技集团公司第五十二研究所 | 一种三维模型的无接缝纹理映射方法 |
CN111563950A (zh) * | 2020-05-07 | 2020-08-21 | 贝壳技术有限公司 | 纹理映射策略确定方法、装置及计算机可读存储介质 |
CN112598789A (zh) * | 2020-12-30 | 2021-04-02 | 深圳中科智美科技有限公司 | 图像纹理重建方法、装置、设备及存储介质 |
Non-Patent Citations (19)
Title |
---|
MI WANG ETAL: "Automatic Texture Acquisition for 3D Model Using Oblique Aerial Images", 《2008 FIRST INTERNATIONAL CONFERENCE ON INTELLIGENT NETWORKS AND INTELLIGENT SYSTEMS》, pages 495 - 498 * |
刘亚文;关振;: "街景建筑物立面纹理遮挡恢复方法研究", 武汉大学学报(信息科学版), no. 12 * |
刘力荣;左建章;赵文吉;: "建筑物白模倾斜纹理自动配赋", 测绘科学技术学报, no. 06 * |
姜翰青;王博胜;章国锋;鲍虎军;: "面向复杂三维场景的高质量纹理映射", 计算机学报, no. 12 * |
崔家武;: "倾斜摄影测量技术分析", 住宅与房地产, no. 09 * |
康锋;史凌亚;: "倾斜摄影技术在城市三维建模中的应用探讨", 单片机与嵌入式系统应用, no. 02 * |
张世辉;何琦;董利健;杜雪哲;: "基于遮挡区域建模和目标运动估计的动态遮挡规避方法", 自动化学报, no. 04 * |
李明;张卫龙;范丁元;: "城市三维重建中的自动纹理优化方法", 测绘学报, no. 03 * |
李明等: "城市三维重建中的自动纹理优化方法", 《测绘学报》, pages 338 - 345 * |
武广臣;刘艳;: "一种基于高分辨率航片的无遮挡影像获取算法", 测绘科学, no. 05 * |
王卿;: "多角度倾斜摄影技术在自动纹理映射上的应用", 测绘与空间地理信息, no. 10 * |
王崇倡;张秀岩;纪亮;: "基于倾斜摄影测量技术三维纹理遮挡处理", 测绘与空间地理信息, no. 03 * |
程向彬;阚晓云;王博;刘亚妮;: "基于倾斜影像技术的自动纹理映射", 测绘与空间地理信息, no. 1 * |
纪亮;: "基于倾斜摄影三维模型纹理自动获取及映射研究", 北京测绘, no. 01 * |
翟娜;武晓莉;: "基于倾斜影像三维建模中的纹理采集", 测绘标准化, no. 02 * |
赵云静;: "分析基于倾斜摄影测量的建筑物三维模型自动纹理映射方法", 居业, no. 05 * |
闫利;程君;: "倾斜影像三维重建自动纹理映射技术", 遥感信息, no. 02 * |
魏凌飞;郭志金;王超;: "基于倾斜摄影测量的纹理自动重建研究", 北京测绘, no. 05 * |
魏凌飞等: "基于倾斜摄影测量的纹理自动重建研究", 《北京测绘》, pages 92 - 95 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815755B (zh) | 虚拟物体被遮挡的区域确定方法、装置及终端设备 | |
US11816829B1 (en) | Collaborative disparity decomposition | |
US8531457B2 (en) | Apparatus and method for finding visible points in a cloud point | |
US11330172B2 (en) | Panoramic image generating method and apparatus | |
CN111583381B (zh) | 游戏资源图的渲染方法、装置及电子设备 | |
CN107341804B (zh) | 点云数据中平面的确定方法及装置、图像叠加方法及设备 | |
WO2013176894A2 (en) | Combining narrow-baseline and wide-baseline stereo for three-dimensional modeling | |
JP6768123B2 (ja) | 拡張現実方法及び装置 | |
US20210209776A1 (en) | Method and device for depth image fusion and computer-readable storage medium | |
CN111862204A (zh) | 图像的视觉特征点的提取方法及相关装置 | |
CN115346018A (zh) | 三维模型重建方法及装置、电子设备 | |
CN112258474A (zh) | 一种墙面异常检测方法和装置 | |
TWI716874B (zh) | 影像處理裝置、影像處理方法、及影像處理程式 | |
EP4246452A1 (en) | Three-dimensional point cloud densification device, three-dimensional point cloud densification method, and program | |
US20220051055A1 (en) | Training data generation method and training data generation device | |
Nguyen et al. | Image-based rendering with depth information using the propagation algorithm | |
CN112634366A (zh) | 位置信息的生成方法、相关装置及计算机程序产品 | |
CN113223149A (zh) | 三维模型纹理生成方法、装置、设备及存储介质 | |
JP6482193B2 (ja) | 映像処理装置及び方法 | |
JP2022190657A (ja) | 表示媒体、処理装置、プログラムおよびプログラムを記録したコンピュータ読み取り可能な記録媒体 | |
Tabata et al. | Shape-Net: Room Layout Estimation from Panoramic Images Robust to Occlusion using Knowledge Distillation with 3D Shapes as Additional Inputs | |
CN115761123B (zh) | 三维模型处理方法、装置、电子设备以及存储介质 | |
Chen et al. | A parallel multipoint viewshed analysis method for urban 3D building scenes | |
US10026216B2 (en) | Graphics data processing method and apparatus | |
Koltun et al. | Selecting Effective Occluders for Visibility Culling. |
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 |