CN115861520A - 高光检测方法、装置、计算机设备和存储介质 - Google Patents
高光检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115861520A CN115861520A CN202310051488.XA CN202310051488A CN115861520A CN 115861520 A CN115861520 A CN 115861520A CN 202310051488 A CN202310051488 A CN 202310051488A CN 115861520 A CN115861520 A CN 115861520A
- Authority
- CN
- China
- Prior art keywords
- vertex
- candidate
- highlight
- under
- angle
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请涉及一种高光检测方法、装置、计算机设备和存储介质。方法包括:获取针对同一对象在多个视角下拍摄的二维图像和对象的三维模型;根据各个视角的方向和三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的三维模型中的候选顶点集合;各个视角分别对应的候选顶点集合是分别在各个视角下初步识别出存在高光现象的候选顶点的集合;针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据每个候选顶点在各个视角下的二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果。采用本方法能够提高高光检测的准确性。
Description
技术领域
本申请涉及计算机技术和图像处理技术领域,特别是涉及一种高光检测方法、装置、计算机设备和存储介质。
背景技术
对于金属、塑料或玻璃等材质的物体,容易在拍照时发生镜面反射,造成照片中的物体局部存在高光区域。高光区域的存在会导致对物体进行三维重建和纹理贴图等处理时产生困难,因此,如何准确地将图像中物体的高光区域检测出来成为了一个重要的问题。
传统的高光检测方法,一般是基于图像中的颜色信息进行聚类,找到颜色分布中的离群点作为高光点,然而在非高光区域的颜色与高光区域的颜色较为接近的情况下,容易造成高光检测结果不准确的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高准确性的高光检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种高光检测方法。所述方法包括:
获取针对同一对象在多个视角下拍摄的二维图像和所述对象的三维模型;
根据各个视角的方向和所述三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的所述三维模型中的候选顶点集合;各个视角分别对应的所述候选顶点集合是分别在各个视角下初步识别出存在高光现象的候选顶点的集合;所述出射光方向,是拍摄所述二维图像时使用的光源的光线以同一角度照射在所述三维模型的表面上,并从所述顶点处反射出的光线的方向;
针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据每个所述候选顶点在各个视角下的所述二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果。
第二方面,本申请还提供了一种高光检测装置。所述装置包括:
获取模块,用于获取针对同一对象在多个视角下拍摄的二维图像和所述对象的三维模型;
候选顶点确定模块,用于根据各个视角的方向和所述三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的所述三维模型中的候选顶点集合;各个视角分别对应的所述候选顶点集合是分别在各个视角下初步识别出存在高光现象的候选顶点的集合;所述出射光方向,是拍摄所述二维图像时使用的光源的光线以同一角度照射在所述三维模型的表面上,并从所述顶点处反射出的光线的方向;
高光点确定模块,用于针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据每个所述候选顶点在各个视角下的所述二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果。
在其中一个实施例中,所述候选顶点确定模块还用于针对每个视角,根据所述视角的方向与所述三维模型中的各个顶点对应的出射光方向之间的夹角,确定在所述视角下初步识别出存在高光现象的候选顶点,得到所述视角下的候选顶点集合。
在其中一个实施例中,所述候选顶点确定模块还用于针对每个视角,若所述三维模型中的顶点对应的出射光方向与所述视角的方向之间的夹角小于或等于预设夹角阈值,则将所述顶点确定为在所述视角下初步识别出存在高光现象的候选顶点。
在其中一个实施例中,所述候选顶点确定模块还用于获取所述光源对应的入射光方向;所述入射光方向,是所述光源的光线的照射方向;根据所述入射光方向和所述三维模型中的各个顶点对应的法线方向,确定所述三维模型中的各个顶点对应的出射光方向。
在其中一个实施例中,所述高光点确定模块还用于针对各个视角分别对应的候选顶点集合中的每个所述候选顶点,根据所述候选顶点在各个视角下的二维图像中分别对应的颜色值,计算所述候选顶点的颜色平均值;针对每个视角,根据所述视角下初步识别出存在高光现象的候选顶点在所述视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值,从所述视角下的候选顶点集合中筛选高光点,得到所述视角下的高光检测结果。
在其中一个实施例中,所述高光点确定模块还用于针对各个视角分别对应的候选顶点集合中的每个所述候选顶点,按照所述候选顶点分别在各个视角下的权重,对所述候选顶点在各个视角下的颜色值进行加权平均计算,得到所述候选顶点的颜色平均值;
其中,所述候选顶点在第一视角下的权重大于在第二视角下的权重;所述候选顶点在所述第一视角下初步识别出不存在高光现象;所述候选顶点在所述第二视角下初步识别出存在高光现象。
在其中一个实施例中,所述高光点确定模块还用于针对每个视角,若所述视角下初步识别出存在高光现象的候选顶点在所述视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值大于或等于预设差值,则将所述候选顶点确定为所述视角下的高光点。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行本申请各实施例所述的高光检测方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质。所述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,使得所述处理器执行本申请各实施例所述的高光检测方法中的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时,使得所述处理器执行本申请各实施例所述的高光检测方法中的步骤。
上述高光检测方法、装置、计算机设备、存储介质和计算机程序产品,首先根据各个视角的方向和三维模型中的各个顶点对应的出射光方向,确定三维模型中各个视角下初步识别出存在高光现象的候选顶点的集合,能够按照光照的物理规则初步地确定出各个视角下可能存在高光现象的候选顶点,排除掉在物理规则上高光可能性小的点,提高了高光检测的准确性。然后进一步根据初步识别出存在高光现象的每个候选顶点在各个视角下的二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果,能够从初步识别出存在高光现象的候选顶点中筛选出更加准确的高光点,进一步提高了高光检测的准确性。
附图说明
图1为一个实施例中高光检测方法的流程示意图;
图2为一个实施例中多个视角下的二维图像和三维模型的示意图;
图3为一个实施例中三维模型中的顶点处的光线方向示意图;
图4为一个实施例中候选顶点的识别结果示意图;
图5为一个实施例中高光检测装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种高光检测方法,该方法可以应用于计算机设备。计算机设备可以是终端或服务器,也可以是包括终端和服务器的系统,并通过终端和服务器的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤102,获取针对同一对象在多个视角下拍摄的二维图像和对象的三维模型。
其中,对象,是指高光检测所针对的对象。
在一个实施例中,对象可以是高光检测所针对的物体。在其他实施例中,对象还可以是高光检测所针对的动物或人等活体对象。可以理解,动物或人等活体对象身上穿着或佩戴的物体也有可能存在高光现象,因此,动物或人等活体对象也可以作为高光检测所针对的对象。
在一个实施例中,计算机设备可以根据多个视角下的二维图像进行三维重建,得到该对象的三维模型。在一个实施例中,计算机设备可以通过任意的三维重建算法根据多个视角下的二维图像进行三维重建,得到该对象的三维模型。比如:三维重建算法可以是sfm(Structure from motion,从运动中恢复结构)算法等。
在另一个实施例中,三维模型也可以不是根据多个视角下拍摄的二维图像得到的,而是通过其他方式得到的,只要针对同一对象在多个视角下拍摄的二维图像与该对象的三维模型是属于同一对象的即可。
图2示意性地展示了针对一个手表在多个视角下拍摄的二维图像,以及该手表的三维模型。图2中在各幅二维图像中用白框标示出了各个视角下的一部分的高光区域,这些高光区域即为本申请各实施例中的高光检测方法的检测目标。可以看出,在不同视角下高光区域的位置会发生变化。
步骤104,根据各个视角的方向和三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的三维模型中的候选顶点集合;各个视角分别对应的候选顶点集合是分别在各个视角下初步识别出存在高光现象的候选顶点的集合;出射光方向,是拍摄二维图像时使用的光源的光线以同一角度照射在三维模型的表面上,并从顶点处反射出的光线的方向。
其中,视角的方向,是指拍摄二维图像时拍摄设备所朝向的方向。在每个视角下三维模型中可以有0个、一个或多个初步识别出存在高光现象的候选顶点。图3中示意性标示出了三维模型的表面上的一个顶点处的出射光方向。图4中的(1)是其中一个视角的二维图像,图4中的(2)中虚线所围成的区域内部的顶点为该视角下初步识别出存在高光现象的候选顶点,例如:图4中的(2)中的402、404和406即为虚线所围成的区域。
在一个实施例中,三维模型是由多个三角面片构成的三角网格,三角网格中每个三角面片的顶点即为三维模型中的顶点。
在一个实施例中,计算机设备可以针对每个视角,根据视角的方向与三维模型中的各个顶点对应的出射光方向之间的差异,确定在视角下三维模型中的候选顶点。视角的方向与出射光方向之间的差异越小,则顶点在该视角下被初步识别出存在高光现象的概率越大。
在一个实施例中,可以预先建立空间直角坐标系,计算机设备可以在预先建立的空间直角坐标系下确定视角的方向的方向向量和各个顶点的出射光方向的方向向量。
可以理解,由于对象的材质未知,而且表面的几何形状比较粗糙,导致确定出的出射光方向不一定准确,导致各个视角下初步识别出存在高光现象的候选顶点不一定是真正存在高光现象的高光点,只是初步识别出该候选顶点可能存在高光现象,因此还需要执行步骤106从各个视角下的候选顶点集合中筛选各个视角下真正的高光点。
步骤106,针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据每个候选顶点在各个视角下的二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果。
其中,每个视角下的高光检测结果中包含该视角下筛选出的高光点。在每个视角下三维模型中可以有0个、一个或多个高光点。高光点,是发生镜面反射的顶点。可以理解,金属、塑料或玻璃等材质的物体的表面容易发生镜面反射。在一个实施例中,颜色信息可以是颜色值。
在一个实施例中,计算机设备可以针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据候选顶点在各个视角下的二维图像中分别对应的颜色值,计算该候选顶点的颜色整体倾向值。然后针对每个视角,根据该视角下初步识别出存在高光现象的候选顶点在该视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色整体倾向值之间的差异,从该视角下的候选顶点集合中筛选高光点,得到该视角下的高光检测结果。其中,颜色整体倾向值,是候选顶点在各个视角下的颜色值的整体倾向统计值。
在一个实施例中,颜色整体倾向值可以是候选顶点在各个视角下的颜色值的平均数、中位数或众数等中的任意一种。
在一个实施例中,针对每个视角,若该视角下初步识别出存在高光现象的候选顶点在该视角下的二维图像中对应的颜色值与该候选顶点在各个视角下的颜色整体倾向值之间的差值大于或等于预设差值,则将该候选顶点确定为该视角下的高光点。
上述高光检测方法,首先根据各个视角的方向和三维模型中的各个顶点对应的出射光方向,确定三维模型中各个视角下初步识别出存在高光现象的候选顶点的集合,能够按照光照的物理规则初步地确定出各个视角下可能存在高光现象的候选顶点,排除掉在物理规则上高光可能性小的点,提高了高光检测的准确性。然后进一步根据初步识别出存在高光现象的每个候选顶点在各个视角下的二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果,能够从初步识别出存在高光现象的候选顶点中筛选出更加准确的高光点,进一步提高了高光检测的准确性。此外,通过根据初步识别出存在高光现象的每个候选顶点在各个视角下的二维图像中分别对应的颜色信息,从各个视角下的候选顶点中筛选高光点,能够解决由于对象的材质未知或对象的表面的几何形状比较粗糙等问题导致高光检测不准确的问题,提高了高光检测的准确性。
在一个实施例中,根据各个视角的方向和三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的三维模型中的候选顶点集合包括:针对每个视角,根据视角的方向与三维模型中的各个顶点对应的出射光方向之间的夹角,确定在视角下初步识别出存在高光现象的候选顶点,得到所述视角下的候选顶点集合。
在一个实施例中,针对每个视角下三维模型中的每个顶点,计算机设备可以根据该视角的方向与该顶点对应的出射光方向之间的夹角,对该顶点进行候选顶点识别,得到每个视角下初步识别出存在高光现象的候选顶点。其中,候选顶点识别,是识别顶点是否为初步识别出存在高光现象的候选顶点的处理。
在一个实施例中,计算机设备可以根据视角的方向的方向向量与三维模型中的顶点对应的出射光方向的方向向量,计算视角的方向与三维模型中的顶点对应的出射光方向之间的夹角。
在一个实施例中,计算机设备可以根据视角的方向的方向向量与三维模型中的顶点对应的出射光方向的方向向量之间的内积的反余弦值,得到视角的方向与三维模型中的顶点对应的出射光方向之间的夹角。在一个实施例中,计算机设备可以在内积与0中取最大值,然后计算最大值的反余弦值,得到视角的方向与三维模型中的顶点对应的出射光方向之间的夹角,具体公式如下:
其中,angle表示视角的方向与三维模型中的顶点对应的出射光方向之间的夹角。arccos()表示反余弦函数。max()表示取最大值的函数。表示取0和中的最大值。/>表示出射光方向的方向向量。/>表示视角的方向的方向向量。/>表示表示向量/>与向量/>之间的内积。
例如:针对其中一个视角q,该视角q的视角方向为,对于三维模型其中一个顶点p,顶点p对应的出射光方向为/>,则上式中计算得到的angle即为顶点p在视角q下视角的方向与出射光方向之间的夹角,计算机设备可以根据夹角angle确定顶点p在视角q下是否为初步识别出存在高光现象的候选顶点。
在一个实施例中,视角的方向与顶点的出射光方向之间的夹角越小,则该顶点在该视角下被初步识别出存在高光现象的概率越大。
上述实施例中,针对每个视角,根据视角的方向与三维模型中的各个顶点对应的出射光方向之间的夹角,确定在该视角下初步识别出存在高光现象的候选顶点,能够按照光照的物理规则初步地确定出可能存在高光现象的候选顶点,排除掉在物理规则上高光可能性小的点,提高了高光检测的准确性。
在一个实施例中,针对每个视角,根据视角的方向与三维模型中的各个顶点对应的出射光方向之间的夹角,确定在视角下初步识别出存在高光现象的候选顶点,得到所述视角下的候选顶点集合包括:针对每个视角,若三维模型中的顶点对应的出射光方向与视角的方向之间的夹角小于或等于预设夹角阈值,则将顶点确定为在视角下初步识别出存在高光现象的候选顶点。
在一个实施例中,针对每个视角,若三维模型中的顶点对应的出射光方向与视角的方向之间的夹角大于预设夹角阈值,则计算机设备可以确定该顶点在该视角下初步识别出不存在高光现象。
在一个实施例中,预设夹角阈值可以预先通过实验确定。例如:预设夹角阈值可以是30度。即,若三维模型中的顶点对应的出射光方向与视角的方向之间的夹角小于或等于30度,则将该顶点确定为在该视角下初步识别出存在高光现象的候选顶点。若三维模型中的顶点对应的出射光方向与视角的方向之间的夹角大于30度,则计算机设备可以确定该顶点在该视角下初步识别出不存在高光现象。
如图3所示,对于三维模型的表面上一个顶点,视角1的方向与该顶点的出射光方向的夹角小于或等于预设夹角阈值,因此,在视角1下该顶点被确定为初步识别出存在高光现象的候选顶点。视角2的方向与该顶点的出射光方向的夹角大于预设夹角阈值,因此,在视角2下该顶点被初步识别出不存在高光现象。
上述实施例中,针对每个视角,若三维模型中的顶点对应的出射光方向与视角的方向之间的夹角小于或等于预设夹角阈值,则将该顶点确定为在视角下初步识别出存在高光现象的候选顶点,能够按照光照的物理规则初步地确定出可能存在高光现象的准确的候选顶点,排除掉在物理规则上高光可能性小的点,提高了高光检测的准确性。
在一个实施例中,在根据各个视角的方向和三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的三维模型中的候选顶点集合之前,方法还包括:获取光源对应的入射光方向;入射光方向,是光源的光线的照射方向;根据入射光方向和三维模型中的各个顶点对应的法线方向,确定三维模型中的各个顶点对应的出射光方向。
其中,法线方向,是在三维模型中的顶点处垂直于三维模型的表面的方向。图3中示意性地标示出了三维模型的表面的一个顶点处的入射光方向、法线方向和出射光方向,计算机设备可以根据该入射光方向和法线方向确定该顶点对应的该出射光方向。
在一个实施例中,计算机设备可以根据三维模型的表面的切线方向,确定三维模型中各个顶点的法线方向。在一个实施例中,计算机设备可以将三维模型中与顶点处的切线方向相垂直的方向确定为该顶点处的法线方向。
在一个实施例中,光源的光线的照射方向可以根据实际拍摄需求任意设置。可以将光源的光线的照射方向作为入射光方向。例如:光源的光线的照射方向为垂直向下,则入射光方向为垂直向下。
在一个实施例中,可以预先建立空间直角坐标系,计算机设备可以在预先建立的空间直角坐标系下确定入射光方向的方向向量和法线方向的方向向量。根据入射光方向的方向向量和三维模型中的各个顶点对应的法线方向的方向向量,确定三维模型中的各个顶点对应的出射光方向的方向向量。例如:以竖轴(z轴)方向为垂直向上、横轴(x轴)方向为水平向左、且按照右手坐标系的方式建立空间直角坐标系,采用垂直向下照射的面光源,则入射光方向的方向向量可以为(0,0,1)。
在一个实施例中,针对三维模型中的每个顶点,计算机设备可以根据入射光方向和该顶点对应的法线方向,确定该顶点对应的出射光方向。
在一个实施例中,计算机设备可以按照phong光照模型,根据入射光方向的方向向量和三维模型中的各个顶点对应的法线方向的方向向量,确定三维模型中的各个顶点对应的出射光方向的方向向量。其中,phong光照模型,是一种只考虑物体对直接光照的反射作用,认为环境光是常量,没有考虑物体之间相互的反射光,将物体间的反射光只用环境光表示的光照模型。
在一个实施例中,计算机设备可以将入射光方向的方向向量与顶点的法线方向的方向向量之间的内积与法线方向的方向向量进行内积所得到的结果的2倍减去入射光方向的方向向量,得到该顶点对应的出射光方向的方向向量,具体公式如下:
上述实施例中,根据入射光方向和三维模型中的各个顶点对应的法线方向,确定三维模型中的各个顶点对应的出射光方向,能够准确地确定出各个顶点的出射光方向,进而能够根据出射光方向和视角的方向按照光照的物理规则初步地确定出存在高光现象的准确的候选顶点,排除掉在物理规则上高光可能性小的点,提高了高光检测的准确性。
在一个实施例中,针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据每个候选顶点在各个视角下的二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果包括:针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据候选顶点在各个视角下的二维图像中分别对应的颜色值,计算候选顶点的颜色平均值;针对每个视角,根据视角下初步识别出存在高光现象的候选顶点在视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值,从视角下的候选顶点集合中筛选高光点,得到视角下的高光检测结果。
其中,颜色平均值,是候选顶点在各个视角下的二维图像中分别对应的颜色值的平均数。
在一个实施例中,平均数可以是算术平均数、加权平均数、几何平均数或最大似然估计平均数等中的任意一种。
可以理解,由于对象的表面上的顶点在发生镜面反射时显示出的颜色与没有发生镜面反射时显示出的颜色之间差值较大,因此,可以根据视角下初步识别出存在高光现象的候选顶点在视角下的二维图像中对应的颜色值与候选顶点在各个视角下的颜色平均值之间的差值,从视角下的候选顶点集合中筛选高光点。
在一个实施例中,针对每个视角,该视角下初步识别出存在高光现象的候选顶点在该视角下的颜色值与该候选顶点在各个视角下的颜色平均值之间的差值越大,则该候选顶点在该视角下被筛选为高光点的概率越大。
上述实施例中,首先计算每个候选顶点在各个视角下颜色值的颜色平均值,然后针对每个视角,根据视角下初步识别出存在高光现象的候选顶点在视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值,从视角下的候选顶点集合中筛选高光点,能够从候选顶点集合中筛选出更加准确的高光点,进一步提高了高光检测的准确性。
在一个实施例中,针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据候选顶点在各个视角下的二维图像中分别对应的颜色值,计算候选顶点的颜色平均值包括:针对各个视角分别对应的候选顶点集合中的每个候选顶点,按照候选顶点分别在各个视角下的权重,对候选顶点在各个视角下的颜色值进行加权平均计算,得到候选顶点的颜色平均值。其中,候选顶点在第一视角下的权重大于在第二视角下的权重;候选顶点在第一视角下初步识别出不存在高光现象;候选顶点在第二视角下初步识别出存在高光现象。
其中,加权平均计算所得到的颜色平均值,是候选顶点在各个视角下的颜色值的加权平均数。
在一个实施例中,计算机设备可以将候选顶点在各个视角下的颜色值分别乘以相应视角下的权重得到各个视角的加权结果,然后将各个视角的加权结果之和除以各个视角的权重之和,得到候选顶点的颜色平均值。
在一个实施例中,候选顶点在第一视角下的权重为大于0且小于或等于1的数值。候选顶点在第二视角下的权重为大于或等于0且小于1的数值。
在一个实施例中,候选顶点在第一视角下的权重可以为1,候选顶点在第二视角下的权重可以是远小于1且大于或等于0的数值。例如:第二视角下的权重可以为0.01、0.02或0.03等。
在一个实施例中,按照候选顶点分别在各个视角下的权重,对候选顶点在各个视角下的颜色值进行加权平均计算,得到候选顶点的颜色平均值可以使用如下公式:
其中,i表示候选顶点的序号。k表示视角的序号。wik表示第i个候选顶点在第k个视角下的权重。cik表示第i个候选顶点在第k个视角下的颜色值。si表示第i个候选顶点的颜色平均值。当候选顶点i在视角k下初步识别出不存在高光现象时,wik的值为第一权重的值。当候选顶点i在视角k下初步识别出存在高光现象时,wik的值为第二权重的值。
上述实施例中,针对各个视角分别对应的候选顶点集合中的每个候选顶点,按照候选顶点分别在各个视角下的权重,对候选顶点在各个视角下的颜色值进行加权平均计算,得到候选顶点的颜色平均值,候选顶点在第一视角下的权重大于在第二视角下的权重,从而能够根据候选顶点在各个视角下的高光情况对候选顶点在各个视角的权重进行细分,使得得到的颜色平均值更加能够反映候选顶点在各个视角下的颜色值的整体倾向,使得颜色平均值更加准确,提高了高光检测的准确性。
在一个实施例中,针对每个视角,根据视角下初步识别出存在高光现象的候选顶点在视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值,从视角下的候选顶点集合中筛选高光点,得到视角下的高光检测结果包括:针对每个视角,若视角下初步识别出存在高光现象的候选顶点在视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值大于或等于预设差值,则将候选顶点确定为视角下的高光点。
在一个实施例中,预设差值可以从大于或等于50、且小于或等于60的范围内进行取值。
在一个实施例中,针对每个视角,若该视角下初步识别出存在高光现象的候选顶点在该视角下的颜色值与该候选顶点在各个视角下的颜色平均值之间的差值小于预设差值,则计算机设备可以将该候选顶点确定为视角下的非高光点。其中,非高光点,是没有发生镜面反射的顶点。
上述实施例中,针对每个视角,若视角下初步识别出存在高光现象的候选顶点在视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值大于或等于预设差值,则将候选顶点确定为视角下的高光点,能够准确地从候选顶点中筛选出各个视角下的高光点,提高了高光检测的准确性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的高光检测方法的高光检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个高光检测装置实施例中的具体限定可以参见上文中对于高光检测方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种高光检测装置500,包括:获取模块502、候选顶点确定模块504和高光点确定模块506,其中:
获取模块502,用于获取针对同一对象在多个视角下拍摄的二维图像和对象的三维模型。
候选顶点确定模块504,用于根据各个视角的方向和三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的三维模型中的候选顶点集合;各个视角分别对应的候选顶点集合是分别在各个视角下初步识别出存在高光现象的候选顶点的集合;出射光方向,是拍摄二维图像时使用的光源的光线以同一角度照射在三维模型的表面上,并从顶点处反射出的光线的方向。
高光点确定模块506,用于针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据每个候选顶点在各个视角下的二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果。
在一个实施例中,候选顶点确定模块504还用于针对每个视角,根据视角的方向与三维模型中的各个顶点对应的出射光方向之间的夹角,确定在视角下初步识别出存在高光现象的候选顶点,得到所述视角下的候选顶点集合。
在一个实施例中,候选顶点确定模块504还用于针对每个视角,若三维模型中的顶点对应的出射光方向与视角的方向之间的夹角小于或等于预设夹角阈值,则将顶点确定为在视角下初步识别出存在高光现象的候选顶点。
在一个实施例中,候选顶点确定模块504还用于获取光源对应的入射光方向;入射光方向,是光源的光线的照射方向;根据入射光方向和三维模型中的各个顶点对应的法线方向,确定三维模型中的各个顶点对应的出射光方向。
在一个实施例中,高光点确定模块506还用于针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据候选顶点在各个视角下的二维图像中分别对应的颜色值,计算候选顶点的颜色平均值;针对每个视角,根据视角下初步识别出存在高光现象的候选顶点在视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值,从视角下的候选顶点集合中筛选高光点,得到视角下的高光检测结果。
在一个实施例中,高光点确定模块506还用于针对各个视角分别对应的候选顶点集合中的每个候选顶点,按照候选顶点分别在各个视角下的权重,对候选顶点在各个视角下的颜色值进行加权平均计算,得到候选顶点的颜色平均值。其中,候选顶点在第一视角下的权重大于在第二视角下的权重;候选顶点在第一视角下初步识别出不存在高光现象;候选顶点在第二视角下初步识别出存在高光现象。
在一个实施例中,高光点确定模块506还用于针对每个视角,若视角下初步识别出存在高光现象的候选顶点在视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值大于或等于预设差值,则将候选顶点确定为视角下的高光点。
上述高光检测装置,首先根据各个视角的方向和三维模型中的各个顶点对应的出射光方向,确定三维模型中各个视角下初步识别出存在高光现象的候选顶点的集合,能够按照光照的物理规则初步地确定出各个视角下可能存在高光现象的候选顶点,排除掉在物理规则上高光可能性小的点,提高了高光检测的准确性。然后进一步根据初步识别出存在高光现象的每个候选顶点在各个视角下的二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果,能够从初步识别出存在高光现象的候选顶点中筛选出更加准确的高光点,进一步提高了高光检测的准确性。
上述高光检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种高光检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种高光检测方法,其特征在于,所述方法包括:
获取针对同一对象在多个视角下拍摄的二维图像和所述对象的三维模型;
根据各个视角的方向和所述三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的所述三维模型中的候选顶点集合;各个视角分别对应的所述候选顶点集合是分别在各个视角下初步识别出存在高光现象的候选顶点的集合;所述出射光方向,是拍摄所述二维图像时使用的光源的光线以同一角度照射在所述三维模型的表面上,并从所述顶点处反射出的光线的方向;
针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据每个所述候选顶点在各个视角下的所述二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果。
2.根据权利要求1所述的方法,其特征在于,所述根据各个视角的方向和所述三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的所述三维模型中的候选顶点集合包括:
针对每个视角,根据所述视角的方向与所述三维模型中的各个顶点对应的出射光方向之间的夹角,确定在所述视角下初步识别出存在高光现象的候选顶点,得到所述视角下的候选顶点集合。
3.根据权利要求2所述的方法,其特征在于,所述针对每个视角,根据所述视角的方向与所述三维模型中的各个顶点对应的出射光方向之间的夹角,确定在所述视角下初步识别出存在高光现象的候选顶点,得到所述视角下的候选顶点集合包括:
针对每个视角,若所述三维模型中的顶点对应的出射光方向与所述视角的方向之间的夹角小于或等于预设夹角阈值,则将所述顶点确定为在所述视角下初步识别出存在高光现象的候选顶点。
4.根据权利要求1所述的方法,其特征在于,在所述根据各个视角的方向和所述三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的所述三维模型中的候选顶点集合之前,所述方法还包括:
获取所述光源对应的入射光方向;所述入射光方向,是所述光源的光线的照射方向;
根据所述入射光方向和所述三维模型中的各个顶点对应的法线方向,确定所述三维模型中的各个顶点对应的出射光方向。
5.根据权利要求1所述的方法,其特征在于,所述针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据每个所述候选顶点在各个视角下的所述二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果包括:
针对各个视角分别对应的候选顶点集合中的每个所述候选顶点,根据所述候选顶点在各个视角下的二维图像中分别对应的颜色值,计算所述候选顶点的颜色平均值;
针对每个视角,根据所述视角下初步识别出存在高光现象的候选顶点在所述视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值,从所述视角下的候选顶点集合中筛选高光点,得到所述视角下的高光检测结果。
6.根据权利要求5所述的方法,其特征在于,所述针对各个视角分别对应的候选顶点集合中的每个所述候选顶点,根据所述候选顶点在各个视角下的二维图像中分别对应的颜色值,计算所述候选顶点的颜色平均值包括:
针对各个视角分别对应的候选顶点集合中的每个所述候选顶点,按照所述候选顶点分别在各个视角下的权重,对所述候选顶点在各个视角下的颜色值进行加权平均计算,得到所述候选顶点的颜色平均值;
其中,所述候选顶点在第一视角下的权重大于在第二视角下的权重;所述候选顶点在所述第一视角下初步识别出不存在高光现象;所述候选顶点在所述第二视角下初步识别出存在高光现象。
7.根据权利要求5所述的方法,其特征在于,所述针对每个视角,根据所述视角下初步识别出存在高光现象的候选顶点在所述视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值,从所述视角下的候选顶点集合中筛选高光点,得到所述视角下的高光检测结果包括:
针对每个视角,若所述视角下初步识别出存在高光现象的候选顶点在所述视角下的二维图像中对应的颜色值与本候选顶点在各个视角下的颜色平均值之间的差值大于或等于预设差值,则将所述候选顶点确定为所述视角下的高光点。
8.一种高光检测装置,其特征在于,所述装置包括:
获取模块,用于获取针对同一对象在多个视角下拍摄的二维图像和所述对象的三维模型;
候选顶点确定模块,用于根据各个视角的方向和所述三维模型中的各个顶点对应的出射光方向,确定各个视角分别对应的所述三维模型中的候选顶点集合;各个视角分别对应的所述候选顶点集合是分别在各个视角下初步识别出存在高光现象的候选顶点的集合;所述出射光方向,是拍摄所述二维图像时使用的光源的光线以同一角度照射在所述三维模型的表面上,并从所述顶点处反射出的光线的方向;
高光点确定模块,用于针对各个视角分别对应的候选顶点集合中的每个候选顶点,根据每个所述候选顶点在各个视角下的所述二维图像中分别对应的颜色信息,从各个视角下的候选顶点集合中筛选高光点,得到各个视角下的高光检测结果。
9.一种计算机设备,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051488.XA CN115861520B (zh) | 2023-02-02 | 2023-02-02 | 高光检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310051488.XA CN115861520B (zh) | 2023-02-02 | 2023-02-02 | 高光检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861520A true CN115861520A (zh) | 2023-03-28 |
CN115861520B CN115861520B (zh) | 2023-04-28 |
Family
ID=85657461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310051488.XA Active CN115861520B (zh) | 2023-02-02 | 2023-02-02 | 高光检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861520B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0447226A2 (en) * | 1990-03-16 | 1991-09-18 | Hewlett-Packard Company | Computer graphics method for adding specular reflections to images with shadow penumbrae |
US6118453A (en) * | 1996-01-16 | 2000-09-12 | Hitachi, Ltd. | Graphics processor and system for determining colors of the vertices of a figure |
US20070139408A1 (en) * | 2005-12-19 | 2007-06-21 | Nokia Corporation | Reflective image objects |
US20110182520A1 (en) * | 2010-01-25 | 2011-07-28 | Apple Inc. | Light Source Detection from Synthesized Objects |
CN105405130A (zh) * | 2015-11-02 | 2016-03-16 | 北京旷视科技有限公司 | 基于聚类的证照图像高光检测方法及装置 |
CN108122212A (zh) * | 2017-12-21 | 2018-06-05 | 北京小米移动软件有限公司 | 图像修复方法及装置 |
CN108364292A (zh) * | 2018-03-26 | 2018-08-03 | 吉林大学 | 一种基于多幅视角图像的光照估计方法 |
CN110855889A (zh) * | 2019-11-21 | 2020-02-28 | 重庆金山医疗技术研究院有限公司 | 图像处理方法、装置、图像处理设备及存储介质 |
CN110866873A (zh) * | 2019-10-18 | 2020-03-06 | 北京航空航天大学 | 内腔镜图像的高光消除方法及装置 |
CN112819941A (zh) * | 2021-03-05 | 2021-05-18 | 网易(杭州)网络有限公司 | 渲染水体面的方法、装置、设备和计算机可读存储介质 |
CN115082614A (zh) * | 2022-06-13 | 2022-09-20 | 北京大甜绵白糖科技有限公司 | 高光生成方法、装置、计算机设备及存储介质 |
-
2023
- 2023-02-02 CN CN202310051488.XA patent/CN115861520B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0447226A2 (en) * | 1990-03-16 | 1991-09-18 | Hewlett-Packard Company | Computer graphics method for adding specular reflections to images with shadow penumbrae |
US6118453A (en) * | 1996-01-16 | 2000-09-12 | Hitachi, Ltd. | Graphics processor and system for determining colors of the vertices of a figure |
US20070139408A1 (en) * | 2005-12-19 | 2007-06-21 | Nokia Corporation | Reflective image objects |
US20110182520A1 (en) * | 2010-01-25 | 2011-07-28 | Apple Inc. | Light Source Detection from Synthesized Objects |
CN105405130A (zh) * | 2015-11-02 | 2016-03-16 | 北京旷视科技有限公司 | 基于聚类的证照图像高光检测方法及装置 |
CN108122212A (zh) * | 2017-12-21 | 2018-06-05 | 北京小米移动软件有限公司 | 图像修复方法及装置 |
CN108364292A (zh) * | 2018-03-26 | 2018-08-03 | 吉林大学 | 一种基于多幅视角图像的光照估计方法 |
CN110866873A (zh) * | 2019-10-18 | 2020-03-06 | 北京航空航天大学 | 内腔镜图像的高光消除方法及装置 |
CN110855889A (zh) * | 2019-11-21 | 2020-02-28 | 重庆金山医疗技术研究院有限公司 | 图像处理方法、装置、图像处理设备及存储介质 |
CN112819941A (zh) * | 2021-03-05 | 2021-05-18 | 网易(杭州)网络有限公司 | 渲染水体面的方法、装置、设备和计算机可读存储介质 |
CN115082614A (zh) * | 2022-06-13 | 2022-09-20 | 北京大甜绵白糖科技有限公司 | 高光生成方法、装置、计算机设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
CAI Y ET AL: "Dynamic 3D reconstruction of tongue surface based on photometric stereo technique" * |
Also Published As
Publication number | Publication date |
---|---|
CN115861520B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2017248506B2 (en) | Implementation of an advanced image formation process as a network layer and its applications | |
CN108805898B (zh) | 视频图像处理方法和装置 | |
WO2018090937A1 (zh) | 图像处理方法、终端及存储介质 | |
US11734892B2 (en) | Methods for three-dimensional reconstruction of transparent object, computer devices and storage mediums | |
US20180033145A1 (en) | Model-based classification of ambiguous depth image data | |
CN115830208B (zh) | 全局光照渲染方法、装置、计算机设备和存储介质 | |
CN113689578A (zh) | 一种人体数据集生成方法及装置 | |
CN114627227B (zh) | 基于pbr材质的物体重建方法、设备及计算机可读存储介质 | |
CN115601511B (zh) | 三维重建方法、装置、计算机设备及计算机可读存储介质 | |
CN114022558A (zh) | 图像定位方法、装置、计算机设备和存储介质 | |
Potamias et al. | Revisiting point cloud simplification: A learnable feature preserving approach | |
CN113065593A (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
CN115690672A (zh) | 异常图像识别方法、装置、计算机设备和存储介质 | |
Karnieli et al. | Deepshadow: Neural shape from shadow | |
CN116596935B (zh) | 形变检测方法、装置、计算机设备及计算机可读存储介质 | |
CN115861520B (zh) | 高光检测方法、装置、计算机设备和存储介质 | |
CN116091998A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN115731442A (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN115063473A (zh) | 物体高度的检测方法、装置、计算机设备、存储介质 | |
CN111259702A (zh) | 一种用户兴趣的估计方法及装置 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN114913287A (zh) | 一种三维人体模型重建方法及系统 | |
CN112348956A (zh) | 透明物体的网格重建方法、装置、计算机设备和存储介质 | |
CN116645374B (zh) | 点状缺陷检测方法、装置、计算机设备及存储介质 | |
CN117576645B (zh) | 基于bev视角的车位检测方法、装置和计算机设备 |
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 |