CN116912096B - 一种基于imold系统的精密模具模板图像生成方法 - Google Patents
一种基于imold系统的精密模具模板图像生成方法 Download PDFInfo
- Publication number
- CN116912096B CN116912096B CN202311181992.8A CN202311181992A CN116912096B CN 116912096 B CN116912096 B CN 116912096B CN 202311181992 A CN202311181992 A CN 202311181992A CN 116912096 B CN116912096 B CN 116912096B
- Authority
- CN
- China
- Prior art keywords
- image
- gaussian kernel
- interpolated
- points
- edge line
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000000007 visual effect Effects 0.000 claims abstract description 104
- 230000005484 gravity Effects 0.000 claims abstract description 96
- 238000005070 sampling Methods 0.000 claims abstract description 92
- 238000010790 dilution Methods 0.000 claims abstract description 40
- 239000012895 dilution Substances 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 10
- 230000035772 mutation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 18
- 230000007704 transition Effects 0.000 description 13
- 238000013461 design Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 208000003464 asthenopia Diseases 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000903 blocking effect Effects 0.000 description 4
- 230000003321 amplification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000003199 nucleic acid amplification method Methods 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000013207 serial dilution Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4007—Interpolation-based scaling, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明涉及模具图像生成技术领域,具体涉及一种基于IMOLD系统的精密模具模板图像生成方法。该方法首先获取精密模具模板的三维模型的不同视角的模具平面图像;对模具平面图像上采样,得到上采样图像和图像中的待插值特征点;分析模具平面图像和上采样图像,确定上采样图像的视觉重心稀释程度;结合视觉重心稀释程度,对上采样图像中待插值特征点对应的高斯核窗口中的像素点分析,确定待插值特征点的视觉重心补偿量;不断迭代高斯核窗口,确定待插值特征点的最优高斯核尺寸;基于最优高斯核尺寸对模具平面图像上采样,得到优化模具平面图像。本发明提高了对3D模型放大时,精密模具模板的三维模型的不同视角的模具平面图像的精度。
Description
技术领域
本发明涉及模具图像生成技术领域,具体涉及一种基于IMOLD系统的精密模具模板图像生成方法。
背景技术
在工业生产中,精密模具模板的3D图像设计对精密模具的生产过程非常重要,通过进行3D图像设计,可以在实际制造之前对模具模板进行验证和优化。通过虚拟建模和仿真分析,可以检查模具的适应性、功能性和可行性,发现并解决可能存在的问题,提前优化设计,避免了后续制造阶段的错误和成本。其所提供精密模具精确的尺寸、形状和几何信息,保证不同部件之间的一致性。这有助于确保模具模板的精度和稳定性,在生产过程中能够准确复制所需的产品特征。
尤其是一些精密模具,其设计细节非常繁琐复杂,精度非常之高,在实际生产过程中需要放大、缩小部分模具图像细节,以帮助生产者更好的理解设计意图。但是3D建模软件在放大或缩小3D模型时,存在放大过程中每个尺度均需重新计算三维图像尺寸带来的计算量,其计算量较大的问题,可能会出现卡顿或性能下降的问题,使生产者观察模具图像时非常耗费精力。除了硬件设置之外,还可能是因为3D模型的复杂性导致的,一个视图包含了大量的面、曲线、阴影和细节,当放大或缩小模型时,软件需要重新计算和绘制模型的各个部分,导致性能下降。目前常见的为对利用线性插值方法,实现模具图像进行上采样,但由于线性插值方法对模具图像进行上采样时存在无差别平滑的问题,故利用线性插值方法对模具图像进行上采样得到的上采样图像其精度较低,进而导致得到的上采样图像作为3D模型的过渡图像时,流畅性较差。
发明内容
为了解决利用线性插值方法对模具图像进行上采样得到的上采样图像其精度较低的技术问题,本发明的目的在于提供一种基于IMOLD系统的精密模具模板图像生成方法,所采用的技术方案具体如下:
获取精密模具模板的三维模型的不同视角的模具平面图像;
获取模具平面图像中的边缘线,作为原始边缘线;在模具平面图像中插入空白像素点进行上采样,得到上采样图像,并得到上采样后的扩充边缘线,将扩充边缘线上的空白像素点作为待插值特征点;
根据原始边缘线上原始边缘点两侧的灰度突变程度和扩充边缘线上边缘点的数量,确定上采样图像的视觉重心稀释程度;
根据上采样图像的视觉重心稀释程度、上采样图像中待插值特征点的数量和待插值特征点对应的高斯核窗口中的像素点类型,确定待插值特征点的视觉重心补偿量;
不断迭代高斯核窗口,根据每条扩充边缘线上的视觉重心补偿量和最大高斯核尺寸确定待插值特征点的最优高斯核尺寸;
基于最优高斯核尺寸对模具平面图像进行上采样,得到优化模具平面图像。
优选的,所述视觉重心稀释程度的计算公式为:
;
其中,为视觉重心稀释程度;/>为上采样图像中扩充边缘线上扩充边缘点的数量;/>为上采样图像对应的模具平面图像中原始边缘线的原始边缘点的数量;/>为上采样图像对应的模具平面图像中原始边缘线上第i个原始边缘点的梯度值;/>为上采样图像对应的模具平面图像中原始边缘线上的最大梯度值;/>为原始边缘线上第i个原始边缘点对应的特征点对中的任意一个特征点;/>为原始边缘线上第i个原始边缘点对应的特征点对中除特征点/>外的另一特征点;/>为连接特征点/>和对应的原始边缘点构成的线段、连接特征点/>和对应的原始边缘点构成的线段,由这两条线段构成的夹角的余弦值;/>为上采样图像对应的模具平面图像中原始边缘线上第i个原始边缘点有对应的特征点;/>为上采样图像对应的模具平面图像中原始边缘线上第i个原始边缘点没有对应的特征点。
优选的,所述原始边缘点对应的特征点对为:
获取原始边缘线上的灰度极值对应的原始边缘点,作为极值点,沿着原始边缘线获取极值点的两侧的两个边缘点作为极值点的特征点,由两个特征点构成一对特征点对;原始边缘线上的非极值点没有对应的特征点对。
优选的,所述视觉重心补偿量的计算公式为:
;
其中,为第v个待插值特征点的视觉重心补偿量;/>为第n次上采样后得到的上采样图像的视觉重心稀释程度;/>为第n-1次上采样后得到的上采样图像的视觉重心稀释程度;/>为第n次上采样后上采样图像中所有的待插值特征点的数量;/>为待插值特征点迭代的高斯核尺寸;/>为待插值特征点迭代的高斯核窗口内像素点的数量;/>为第v个待插值特征点对应迭代的高斯核窗口中内区域像素点的数量。
优选的,所述待插值特征点对应迭代的高斯核窗口中内区域像素点,包括:
沿着扩展边缘线,将待插值特征点对应迭代的高斯核窗口,划分为两个区域;两个区域中,与待插值特征点的梯度方向相反的一侧所对应的区域为内区域;高斯核窗口的内区域中的像素点,即为高斯核窗口中的内区域像素点。
优选的,所述不断迭代高斯核窗口,根据每条扩充边缘线上的视觉重心补偿量和最大高斯核尺寸确定待插值特征点的最优高斯核尺寸,包括:
根据每次迭代高斯核窗口时,每条扩充边缘线上视觉重心补偿量和待插值特征点对应的最大高斯核尺寸,确定每次迭代高斯核窗口的高斯核尺寸;
将最小的高斯核尺寸作为最优高斯核尺寸。
优选的,所述高斯核尺寸的计算公式为:
;
其中,为高斯核尺寸;/>为扩充边缘线的数量;/>为第s条扩充边缘线上的待插值特征点的数量;/>为第s条扩充边缘线上第v个待插值特征点的视觉重心补偿量;/>为第s条扩充边缘线的视觉重心补偿量的均值;/>为所有待插值特征点中最大的高斯核尺寸;/>为归一化函数。
优选的,所述在模具平面图像中插入空白像素点进行上采样,得到上采样图像,包括:
在模具平面图像中每行和每列像素点之间插入空白像素点,得到上采样图像。
优选的,所述上采样后的扩充边缘线为:
在上采样图像中,连接在模具平面图像中原始边缘线上相邻的原始边缘点,得到上采样后的扩充边缘线。
优选的,所述基于最优高斯核尺寸对模具平面图像进行上采样,得到优化模具平面图像,包括:
基于最优高斯核尺寸,对模具平面图像对应的每帧上采样图像进行插值过程,得到优化模具平面图像。
本发明实施例至少具有如下有益效果:
本发明涉及模具图像生成技术领域。该方法首先获取精密模具模板的三维模型的不同视角的模具平面图像中的原始边缘线;对模具平面图像进行上采样,得到上采样图像、上采样后的扩充边缘线和上采样后的待插值特征点;由于在观看动态图像时,视觉重心通常会倾向于高对比度处,高对比度区域与周围环境相比具有明显的边界和变化,因此更容易引起注意和吸引视觉焦点,故上采样图像同样需要让视觉重心放在高对比度处,以及形状突变处,故根据原始边缘线上原始边缘点两侧的灰度突变程度和扩充边缘线上边缘点的数量,确定上采样图像的视觉重心稀释程度,以便于后续对上采样图像中新增的待插值特征点进行视觉重心补偿;其中,补偿过程通过自适应每个待插值特征点的高斯核尺寸以及内部高斯核权重来实现,首先,对上采样得到的上采样图像分析,根据上采样图像的视觉重心稀释程度、上采样图像中待插值特征点的数量和待插值特征点对应的高斯核窗口中的像素点类型,确定待插值特征点的视觉重心补偿量;进一步的,不断迭代高斯核窗口,根据每条扩充边缘线上的视觉重心补偿量和最大高斯核尺寸确定待插值特征点的最优高斯核尺寸,通过视觉重心补偿量确定上采样图像的整体均匀程度,将最大高斯核尺寸作为惩罚项,实现对高斯核尺寸大小的限制;最后基于最优高斯核尺寸对模具平面图像进行上采样,得到优化模具平面图像。本发明基于最优高斯核尺寸对模具平面图像进行上采样,得到优化模具平面图像,可以将上采样后得到的优化模具平面图像作为过渡图像,优化了查看界面的加载流畅度,消除卡顿为观看者带来的视觉疲劳,提高了性能3D模型的性能,提高了对3D模型放大时,精密模具模板的三维模型的不同视角的模具平面图像的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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它附图。
图1为本发明一个实施例所提供的一种基于IMOLD系统的精密模具模板图像生成方法的方法流程图;
图2为本发明一个实施例所提供的原始边缘点的特征点的示意图;
图3为本发明一个实施例所提供的扩充边缘线上扩充边缘点中新增的待插值特征点的示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于IMOLD系统的精密模具模板图像生成方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明实施例提供了一种基于IMOLD系统的精密模具模板图像生成方法的具体实施方法,该方法适用于精密模具模板生成场景。该场景下3D建模软件在放大或缩小3D模型时,可能会出现卡顿或性能下降的问题,使生产者观察模具图像时非常耗费精力。除了硬件设置之外,还可能是因为3D模型的复杂性导致的,一个视图包含了大量的面、曲线、阴影和细节,当放大或缩小模型时,软件需要重新计算和绘制模型的各个部分,导致性能下降。故为了解决利用线性插值方法对模具图像进行上采样得到的上采样图像其精度较低的技术问题,本发明对模具平面图像进行分析,得到自适应的最优高斯核尺寸,基于最优高斯核尺寸对模具平面图像进行上采样,得到优化模具平面图像,其可以将上采样后得到的优化模具平面图像作为过渡图像,优化了查看界面的加载流畅度,消除卡顿为观看者带来的视觉疲劳,提高了性能3D模型的性能,提高了对3D模型放大时,精密模具模板的三维模型的不同视角的模具平面图像的精度。
下面结合附图具体的说明本发明所提供的一种基于IMOLD系统的精密模具模板图像生成方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于IMOLD系统的精密模具模板图像生成方法的步骤流程图,该方法包括以下步骤:
步骤S100,获取精密模具模板的三维模型的不同视角的模具平面图像。
SolidWorks是一款流行的三维建模软件,而IMOLD是SolidWorks环境下最强大的塑料模具设计工具,它提供了强大的工具来创建复杂的零部件、装配体和工程图纸。设计者利用CAD完成设计工作,然后从SolidWorks IMOLD中导入已设计的精密模具模板的CAD三维图像进行渲染,获取三维模型,并截取正常100%比例下,三维模型任意方向平面图并进行灰度化处理,也即截取三维模型的不同视角的模具平面图像,该模具平面图像为灰度图像。
步骤S200,获取模具平面图像中的边缘线,作为原始边缘线;在模具平面图像中插入空白像素点进行上采样,得到上采样图像,并得到上采样后的扩充边缘线,将扩充边缘线上的空白像素点作为待插值特征点。
成品的模具3D模型包含非常丰富的细节信息,在放大局部细节时,系统需要进行大量的运算,响应较慢,甚至容易频繁出现死机、黑屏问题。现有多细节层次技术(Level ofDetail,LOD)可以根据模型的节点在显示环境中所处的位置(Screen Size)和重要度,来决定物体渲染的资源分配,通过切换细节级别的方式提高3D建模软件的性能和响应速度。但是其存在纹理过渡不流畅、内存占用较大的问题。
本发明通过优化图像金字塔算法,将上采样图像和下采样图像作为三维模型的过渡图像,并根据放大、缩放比例自适应保留、丢失细节信息,保证三维模型可视化软件放大、缩小视图功能的流畅性。在实际观察模型设计细节时更多是放大操作,因此以上采样为例展开说明。
在模具平面图像中插入空白像素点进行上采样,得到上采样图像,具体的:在模具平面图像中每行和每列像素点之间插入空白像素点。对当前视角方向下的模具平面图像的行、列方向每个间隙中分别插入空白格,行、列分别扩大至原始模具平面图像的2倍,所有插入的空白格以0值进行填充,后续以卷积的方式得到插入值对0值格进行填充。
常规卷积插值如均值、中值、最近邻等方法总是存在无差别平滑的问题,因此直接作为过渡图像流畅性也比较差,在本发明实施例中选择高斯核进行卷积并通过调节核尺寸和核内权重得到较优的插值效果。
由于需要保留模具平面图像中的细节,例如线条边缘形状、结构纹理、渲染反光与阴影等等。因此对于任意存在灰度梯度、以及边缘斜率变化突出的部分的像素点都需要进行提取。获取模具平面图像中的边缘线,作为原始边缘线。具体的:利用sobel梯度算子获取所有原始边缘点,且sobel梯度算子可以直接获取原始边缘点的梯度以及梯度方向,对原始边缘点进行拟合得到原始边缘线。区分内部区域和外部区域的分界线为一条独立的原始边缘线。需要说明的是,原始边缘点,即为原始边缘线上的像素点。
在得到上采样图像之后,获取上采样后的扩充边缘线,具体的:在上采样图像中,连接模具平面图像中原始边缘线上相邻的原始边缘点,得到上采样后的扩充边缘线。并将扩充边缘线上的空白像素点作为待插值特征点。
步骤S300,根据原始边缘线上原始边缘点两侧的灰度突变程度和扩充边缘线上边缘点的数量,确定上采样图像的视觉重心稀释程度。
获取原始边缘线上的灰度极值对应的原始边缘点,作为极值点,沿着原始边缘线获取极值点的两侧的两个边缘点作为极值点的特征点,由两个特征点构成一对特征点对;原始边缘线上的非极值点没有对应的特征点对。特征点既有梯度变化,且每个极值点两侧的特征点直接代表了此处边缘的斜率变化,因此是模具平面图像上特征最突出的像素信息。
在观看动态图像时,视觉重心通常会倾向于高对比度处,高对比度区域与周围环境相比具有明显的边界和变化,因此更容易引起注意和吸引视觉焦点,在后续插入过渡图像形成连续放大的动画时,这些高对比度的图像信息更容易留下记忆点。
因此将上采样后上采样图像作为过渡层,同样需要让视觉重心放在高对比度处,以及形状突变处。而图像金字塔无法出现原图像不存在的有效信息,纹理信息固定,因此上采样放大之后的视觉重心会被稀释,其包括梯度的稀释,以及放大图像后新增空白格导致锯齿的增多。
首先计算不同原始边缘线上原始边缘点的视觉重心程度,并得到模具平面图像视觉重心在上采样后得到的上采样图像的视觉重心稀释程度。
具体的:根据原始边缘线上原始边缘点两侧的灰度突变程度和扩充边缘向上边缘点的数量,确定上采样图像的视觉重心稀释程度。
该视觉重心稀释程度的计算公式为:
;
其中,为视觉重心稀释程度;/>为上采样图像中扩充边缘线上扩充边缘点的数量;/>为上采样图像对应的模具平面图像中原始边缘线的原始边缘点的数量;/>为上采样图像对应的模具平面图像中原始边缘线上第i个原始边缘点的梯度值;/>为上采样图像对应的模具平面图像中原始边缘线上的最大梯度值;/>为原始边缘线上第i个原始边缘点对应的特征点对中的任意一个特征点;/>为原始边缘线上第i个原始边缘点对应的特征点对中除特征点/>外的另一特征点;/>为连接特征点/>和对应的原始边缘点构成的线段、连接特征点/>和对应的原始边缘点构成的线段,由这两条线段构成的夹角的余弦值;/>为上采样图像对应的模具平面图像中原始边缘线上第i个原始边缘点有对应的特征点;/>为上采样图像对应的模具平面图像中原始边缘线上第i个原始边缘点没有对应的特征点。需要说明的是,扩充边缘点即为扩充边缘线上的像素点。
其中,视觉重心稀释程度的计算公式中实现了对第i个原始边缘点的正比例归一化,第i个原始边缘点的梯度值越大,则在对图像进行连续放大的过程中每一帧图像中对视觉的吸引程度越高,也越容易形成记忆点,因此/>反映了第i个原始边缘点的梯度视觉重心度。/>反映了一对特征对中的特征点所形成夹角的余弦值,该在0-180°中取值范围为-1至1,/>的目的是将其取值限制在0-1之间,其反映了第i个原始边缘点的弯折视觉重心度。/>反映了第i个原始边缘点的梯度视觉重心度与弯折视觉重心度的欧式范数乘以/>,同样实现了归一化,得到了第i个原始边缘点的视觉重心度。/>则反映了上采样图像对应的模具平面图像中所有原始边缘点的视觉重心度之和。该视觉重心度之和上采样图像中待插值特征点的数量的比值,反映了模具平面图像中原始边缘点的视觉重心度在上采样图像中扩充边缘线上的视觉重心稀释程度。当上采样图像对应的模具平面图像中原始边缘线上第i个原始边缘点没有对应的特征点时,/>。视觉重心的稀释程度可以表征在连续上采样过程中,观看者对于图像信息记忆点的变化。而在连续稀释的过程中,视觉重心会分散,记忆点会转移。
步骤S400,根据上采样图像的视觉重心稀释程度、上采样图像中待插值特征点的数量和待插值特征点对应的高斯核窗口中的像素点类型,确定待插值特征点的视觉重心补偿量。
对于图像金字塔而言,上采样过程图像信息稀释不可避免,但可以将模具平面图像和上采样图像之间的所有视觉重心点之间均调整为相同的视觉重心稀释程度,可以保证所有的视觉重心信息在图像放大过程中始终可以维持稳态变化。但实际情况请参阅图2和图3,图2是原始边缘点的特征点的示意图,图2中点D为原始边缘点,对应的点B和点C为点D的特征点。图3中A点是扩充边缘线上边缘点中新增的待插值特征点,而原图像中的特征点,在上采样之后被空白像素点所替代,也即在上采样之后被插值点所替代,视觉重心降低,且相同边缘上不同待插值特征点按照传统方式插值后,其插值结果的灰度值并不均匀,视觉重心稀释程度并不一致。
这是由于不同上采样层数、不同位置处的特征点在用固定尺寸的高斯核插值时,高斯核内的原图像像素点数量和类型不同,且图像边缘锯齿效应也不同,随着上采样层数的增加,锯齿增多、特征点随之增多,因此越向上采样,视觉重心稀释程度越高。故提取所有的待插值特征点,需要将整体图像稀释的视觉重心补偿在待插值特征点上。
补偿过程通过自适应每个待插值特征点的高斯核尺寸以及内部高斯核权重来实现,对当前上采样过程的每个待插值特征点进行高斯窗口迭代,迭代方式从的高斯核尺寸,向上奇数递增,/>、/>…,每个特征点的高斯核尺寸均不一致。
具体的:根据上采样图像的视觉重心稀释程度、上采样图像中待插值特征点的数量和待插值特征点对应的高斯核窗口中的像素点类型,确定待插值特征点的视觉重心补偿量。
该视觉重心补偿量的计算公式为:
;
其中,为第v个待插值特征点的视觉重心补偿量;/>为第n次上采样后得到的上采样图像的视觉重心稀释程度;/>为第n-1次上采样后得到的上采样图像的视觉重心稀释程度;/>为第n次上采样后上采样图像中所有的待插值特征点的数量;/>为待插值特征点迭代的高斯核尺寸;/>为待插值特征点迭代的高斯核窗口内像素点的数量;/>为第v个待插值特征点对应迭代的高斯核窗口内同区域像素点的数量。
其中,视觉重心补偿量的计算公式中,为相邻两次上采样的视觉重心稀释程度的差异程度;上采样后上采样图像中所有的待插值特征点的数量/>会随着上采样层数增加而增加。/>反映了相邻两次上采样的视觉重心的稀释程度变化,其平均补偿在新增的待插值特征点上。第v个待插值特征点对应迭代的高斯核窗口,即为以第v个待插值特征点为中心的迭代的高斯核窗口。/>反映了当高斯核尺寸迭代至/>时,特征点高斯核窗口中内区域像素点的数量占比,不同特征点所处的位置不同,插值结果失真程度不同,本质上就是由于内区域像素点的数量占比不同,当内区域像素点的数量占比越高,则对应的失真效果越小,则对应的视觉重心补偿量降低。
其中,待插值特征点对应迭代的高斯核窗口内同区域像素点数量,也即待插值特征点对应迭代的高斯核窗口中内部区域的像素点数量,具体的:沿着扩展边缘线,将待插值特征点对应迭代的高斯核窗口,划分为两个区域;两个区域中,与待插值特征点的梯度方向相反的一侧所对应的区域为内区域;高斯核窗口的内区域中的像素点,即为高斯核窗口中的内区域像素点。两个区域中,与待插值特征点的梯度方向属于同一侧所对应的区域为内区域。需要说明的是,区分内区域和外区域的分界线为扩展边缘线。
步骤S500,不断迭代高斯核窗口,根据每条扩充边缘线上的视觉重心补偿量和最大高斯核尺寸确定待插值特征点的最优高斯核尺寸。
所有高斯核窗口的迭代过程需要一个总目标函数进行约束。不断的去迭代高斯核窗口的尺寸,实现不断迭代高斯核窗口。
不断迭代高斯核窗口,根据每条扩充边缘线上的视觉重心补偿量和最大高斯核尺寸确定待插值特征点的最优高斯核尺寸,具体的:根据每次迭代高斯核窗口时,每条扩充边缘线上视觉重心补偿量和待插值特征点对应的最大高斯核尺寸,确定每次迭代高斯核窗口的高斯核尺寸;将最小的高斯核尺寸作为最优高斯核尺寸。
该高斯核尺寸的计算公式为:
;
其中,为高斯核尺寸;/>为扩充边缘线的数量;/>为第s条扩充边缘线上的待插值特征点的数量;/>为第s条扩充边缘线上第v个待插值特征点的视觉重心补偿量;/>为第s条扩充边缘线的视觉重心补偿量的均值;/>为所有待插值特征点中最大的高斯核尺寸;/>为归一化函数。
其中,即为第s条扩充边缘线上所有待插值特征点的视觉重心补偿量的方差。/>即为所有扩充边缘线上所有待插值特征点的视觉重心补偿量的平均方差,该平均方差越小,即反映每条扩充边缘线上的待插值特征点,在其各自高斯核窗口中所得视觉重心补偿量整体都比较均匀,反映了对于每个待插值特征点,当前次迭代的高斯核尺寸的大小较优。但是高斯核尺寸不可以太大,故进一步设置惩罚项/>,在本发明实施例中利用线性归一化实现对最大的高斯核尺寸的归一化,归一化时将所有次迭代的待插值特征点中最大的高斯核尺寸,与所有次迭代的所有待插值特征点中的高斯核尺寸进行对比,实现对最大的高斯核尺寸的归一化,在其他实施例中还可以使用双曲正切函数实现对最大的高斯核尺寸的正比例归一化。高斯核尺寸越大,则其惩罚项的惩罚值越大。
将最小的高斯核尺寸作为最优高斯核尺寸。实现得到当前上采样图像中,所有待插值特征点的最优高斯核尺寸。
步骤S600,基于最优高斯核尺寸对模具平面图像进行上采样,得到优化模具平面图像。
然后在已经得到最优高斯核尺寸的基础上,设置高斯核内元素服从。进一步,通过调整高斯分布的均值对高斯核赋予一定偏度,使卷积过程向边缘内侧方向侧重,边缘内侧方向也即梯度方向的反方向,具体调整方法即为,使平均值从零点位置向边缘内侧方向平移一个像素单位。赋予偏度之后,高斯核卷积后的插值结果失真度大幅减小。
每层上采样图像放大4倍,根据期望放大的图像尺寸与原始的模具平面图像的尺寸,可以得到从模具平面图像放大至期望图像尺寸过程中,所需要插入的上采样过渡图像的数量。利用已经得到的最优高斯核尺寸,对模具平面图像完成每帧上采样图像的插值过程,并得到对应的上采样图像;也即基于最优高斯核尺寸,对模具平面图像对应的每帧上采样图像进行插值过程,得到优化模具平面图像。
将优化模具平面图像插入原始的模具平面图像和期望图像之间,形成流畅的放大动画。缩小时无需对视觉重心进行补偿,采用传统的下采样图像作为过渡图像即可。该上采样后得到的优化模具平面图像即为原始的模具平面图像和期望图像之间过渡图像。
本发明通过计算原始的模具平面图像的视觉重心在上采样过程中的视觉重心稀释程度,通过设置自适应的最优高斯核尺寸、调整窗口内高斯分布偏度的方式对新增特征点进行视觉重心补偿,有效解决放大过程中每个尺度均需重新计算三维图像尺寸带来的计算量,进而可能导致动画卡顿问题,优化系统性能,消除卡顿为观看者带来的视觉疲劳。针对模具3D建模工具中,查看模型时放大、缩小的卡顿问题提出优化方法,采用图像金字塔上采样图像作为加载过程的过渡动画,通过计算模具平面图像在上采样过程的视觉重心稀释程度,对上采样图像中新增的待插值特征点进行视觉重心补偿,补偿过程通过迭代并自适应各待插值特征点所处位置的高斯核尺寸实现,然后再通过赋予高斯核内权重分布偏度,使上采样后发生变化的待插值特征点,在利用高斯核插值后可以最大程度减小失真,维持特征点的视觉重心稳定性。进一步的,可以将多幅上采样图像作为过渡图像插入放大动画中,优化查看界面的加载流畅度,消除卡顿为观看者带来的视觉疲劳,使生产者更好理解精密模具设计师的意图,提高生产效率。
综上所述,本发明涉及模具图像生成技术领域。该方法首先获取精密模具模板的三维模型的不同视角的模具平面图像中的边缘线,作为原始边缘线;在模具平面图像中插入空白像素点进行上采样,得到上采样图像,并得到上采样后的扩充边缘线,将扩充边缘线上的空白像素点作为待插值特征点;根据原始边缘线上原始边缘点两侧的灰度突变程度和扩充边缘线上边缘点的数量,确定上采样图像的视觉重心稀释程度;根据上采样图像的视觉重心稀释程度、上采样图像中待插值特征点的数量和待插值特征点对应的高斯核窗口中的像素点类型,确定待插值特征点的视觉重心补偿量;不断迭代高斯核窗口,根据每条扩充边缘线上的视觉重心补偿量和最大高斯核尺寸确定待插值特征点的最优高斯核尺寸;基于最优高斯核尺寸对模具平面图像进行上采样,得到优化模具平面图像。本发明基于最优高斯核尺寸对模具平面图像进行上采样,得到优化模具平面图像,将上采样后得到的优化模具平面图像作为过渡图像,优化了查看界面的加载流畅度,消除卡顿为观看者带来的视觉疲劳,提高了性能3D模型的性能。使生产者更好理解精密模具设计师的意图,提高生产效率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (7)
1.一种基于IMOLD系统的精密模具模板图像生成方法,其特征在于,该方法包括以下步骤:
获取精密模具模板的三维模型的不同视角的模具平面图像;
获取模具平面图像中的边缘线,作为原始边缘线;在模具平面图像中插入空白像素点进行上采样,得到上采样图像,并得到上采样后的扩充边缘线,将扩充边缘线上的空白像素点作为待插值特征点;
根据原始边缘线上原始边缘点两侧的灰度突变程度和扩充边缘线上边缘点的数量,确定上采样图像的视觉重心稀释程度;
根据上采样图像的视觉重心稀释程度、上采样图像中待插值特征点的数量和待插值特征点对应的高斯核窗口中的像素点类型,确定待插值特征点的视觉重心补偿量;
不断迭代高斯核窗口,根据每条扩充边缘线上的视觉重心补偿量和最大高斯核尺寸确定待插值特征点的最优高斯核尺寸;
基于最优高斯核尺寸对模具平面图像进行上采样,得到优化模具平面图像;
其中,所述视觉重心稀释程度的计算公式为:
;
其中,为视觉重心稀释程度;/>为上采样图像中扩充边缘线上扩充边缘点的数量;为上采样图像对应的模具平面图像中原始边缘线的原始边缘点的数量;/>为上采样图像对应的模具平面图像中原始边缘线上第i个原始边缘点的梯度值;/>为上采样图像对应的模具平面图像中原始边缘线上的最大梯度值;/>为原始边缘线上第i个原始边缘点对应的特征点对中的任意一个特征点;/>为原始边缘线上第i个原始边缘点对应的特征点对中除特征点/>外的另一特征点;/>为连接特征点/>和对应的原始边缘点构成的线段、连接特征点/>和对应的原始边缘点构成的线段,由这两条线段构成的夹角的余弦值;/>为上采样图像对应的模具平面图像中原始边缘线上第i个原始边缘点有对应的特征点;/>对应的模具平面图像中原始边缘线上第i个原始边缘点没有对应的特征点;
其中,所述视觉重心补偿量的计算公式为:
;
其中,为第v个待插值特征点的视觉重心补偿量;/>为第n次上采样后得到的上采样图像的视觉重心稀释程度;/>为第n-1次上采样后得到的上采样图像的视觉重心稀释程度;/>为第n次上采样后上采样图像中所有的待插值特征点的数量;/>为待插值特征点迭代的高斯核尺寸;/>为待插值特征点迭代的高斯核窗口内像素点的数量;/>为第v个待插值特征点对应迭代的高斯核窗口中内区域像素点的数量;
其中,所述待插值特征点对应迭代的高斯核窗口中内区域像素点为:
沿着扩充边缘线,将待插值特征点对应迭代的高斯核窗口,划分为两个区域;两个区域中,与待插值特征点的梯度方向相反的一侧所对应的区域为内区域;高斯核窗口的内区域中的像素点,即为高斯核窗口中的内区域像素点。
2.根据权利要求1所述的一种基于IMOLD系统的精密模具模板图像生成方法,其特征在于,所述原始边缘点对应的特征点对为:
获取原始边缘线上的灰度极值对应的原始边缘点,作为极值点,沿着原始边缘线获取极值点的两侧的两个边缘点作为极值点的特征点,由两个特征点构成一对特征点对;原始边缘线上的非极值点没有对应的特征点对。
3.根据权利要求1所述的一种基于IMOLD系统的精密模具模板图像生成方法,其特征在于,所述不断迭代高斯核窗口,根据每条扩充边缘线上的视觉重心补偿量和最大高斯核尺寸确定待插值特征点的最优高斯核尺寸,包括:
根据每次迭代高斯核窗口时,每条扩充边缘线上视觉重心补偿量和待插值特征点对应的最大高斯核尺寸,确定每次迭代高斯核窗口的高斯核尺寸;
将最小的高斯核尺寸作为最优高斯核尺寸。
4.根据权利要求3所述的一种基于IMOLD系统的精密模具模板图像生成方法,其特征在于,所述高斯核尺寸的计算公式为:
;
其中,为高斯核尺寸;/>为扩充边缘线的数量;/>为第s条扩充边缘线上的待插值特征点的数量;/>为第s条扩充边缘线上第v个待插值特征点的视觉重心补偿量;/>为第s条扩充边缘线的视觉重心补偿量的均值;/>为所有待插值特征点中最大的高斯核尺寸;为归一化函数。
5.根据权利要求1所述的一种基于IMOLD系统的精密模具模板图像生成方法,其特征在于,所述在模具平面图像中插入空白像素点进行上采样,得到上采样图像,包括:
在模具平面图像中每行和每列像素点之间插入空白像素点,得到上采样图像。
6.根据权利要求1所述的一种基于IMOLD系统的精密模具模板图像生成方法,其特征在于,所述上采样后的扩充边缘线为:
在上采样图像中,连接在模具平面图像中原始边缘线上相邻的原始边缘点,得到上采样后的扩充边缘线。
7.根据权利要求1所述的一种基于IMOLD系统的精密模具模板图像生成方法,其特征在于,所述基于最优高斯核尺寸对模具平面图像进行上采样,得到优化模具平面图像,包括:
基于最优高斯核尺寸,对模具平面图像对应的每帧上采样图像进行插值过程,得到优化模具平面图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181992.8A CN116912096B (zh) | 2023-09-14 | 2023-09-14 | 一种基于imold系统的精密模具模板图像生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181992.8A CN116912096B (zh) | 2023-09-14 | 2023-09-14 | 一种基于imold系统的精密模具模板图像生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912096A CN116912096A (zh) | 2023-10-20 |
CN116912096B true CN116912096B (zh) | 2024-01-09 |
Family
ID=88355110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311181992.8A Active CN116912096B (zh) | 2023-09-14 | 2023-09-14 | 一种基于imold系统的精密模具模板图像生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912096B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2889830A1 (en) * | 2013-12-31 | 2015-07-01 | Huawei Technologies Co., Ltd. | Image enlargement method and apparatus |
CN106169174A (zh) * | 2016-06-30 | 2016-11-30 | 北京大学 | 一种图像放大方法 |
CN112233019A (zh) * | 2020-10-14 | 2021-01-15 | 长沙行深智能科技有限公司 | 一种基于自适应高斯核的isp颜色插值方法及装置 |
CN115307582A (zh) * | 2022-10-11 | 2022-11-08 | 南通电博士自动化设备有限公司 | 一种电线电缆的截面积测量方法 |
CN116452594A (zh) * | 2023-06-19 | 2023-07-18 | 安徽百胜电子系统集成有限责任公司 | 一种输电线路状态可视化监测预警方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8340415B2 (en) * | 2010-04-05 | 2012-12-25 | Microsoft Corporation | Generation of multi-resolution image pyramids |
-
2023
- 2023-09-14 CN CN202311181992.8A patent/CN116912096B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2889830A1 (en) * | 2013-12-31 | 2015-07-01 | Huawei Technologies Co., Ltd. | Image enlargement method and apparatus |
CN106169174A (zh) * | 2016-06-30 | 2016-11-30 | 北京大学 | 一种图像放大方法 |
CN112233019A (zh) * | 2020-10-14 | 2021-01-15 | 长沙行深智能科技有限公司 | 一种基于自适应高斯核的isp颜色插值方法及装置 |
CN115307582A (zh) * | 2022-10-11 | 2022-11-08 | 南通电博士自动化设备有限公司 | 一种电线电缆的截面积测量方法 |
CN116452594A (zh) * | 2023-06-19 | 2023-07-18 | 安徽百胜电子系统集成有限责任公司 | 一种输电线路状态可视化监测预警方法及系统 |
Non-Patent Citations (1)
Title |
---|
边缘区域约束的导向滤波深度像超分辨率重建算法;武军安 等;红外与激光工程;第50卷(第1期);第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116912096A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6878011B2 (ja) | 3dモデル化オブジェクトの再構築 | |
US8384716B2 (en) | Image processing method | |
US6307554B1 (en) | Apparatus and method for generating progressive polygon data, and apparatus and method for generating three-dimensional real-time graphics using the same | |
US6795069B2 (en) | Free-form modeling of objects with variational implicit surfaces | |
Samaras et al. | Incorporating illumination constraints in deformable models for shape from shading and light direction estimation | |
US6597368B1 (en) | Morphing image processing system using polygon reduction processing | |
CN104732479B (zh) | 对图像进行调整大小 | |
CN101404091A (zh) | 基于两步形状建模的三维人脸重建方法和系统 | |
US20080259077A1 (en) | Shape preserving mappings to a surface | |
CN111581776A9 (zh) | 一种基于几何重建模型的等几何分析方法 | |
CN113592711B (zh) | 点云数据不均匀的三维重建方法、系统、设备及存储介质 | |
CN114373056A (zh) | 一种三维重建方法、装置、终端设备及存储介质 | |
Ruprecht et al. | Deformed cross‐dissolves for image interpolation in scientific visualization | |
US7158131B2 (en) | Implicit function rendering method of nonmanifold, direct drawing method of implicit function curved surface and programs thereof | |
Branch et al. | A hole-filling algorithm for triangular meshes using local radial basis function | |
CN116912096B (zh) | 一种基于imold系统的精密模具模板图像生成方法 | |
CN110648394B (zh) | 一种基于OpenGL和深度学习的三维人体建模方法 | |
CN115439615A (zh) | 一种基于三维bim的分布式综合管理系统 | |
CN111932566B (zh) | 一种模型轮廓图生成方法、装置和系统 | |
Adhikary et al. | A slice-based algorithm for automatic and feature-preserving hole-filling in a CAD mesh model | |
US9734579B1 (en) | Three-dimensional models visual differential | |
Phothong et al. | Fast and accurate triangular model generation for the shape-from-silhouette technique | |
US7016821B2 (en) | System and method for the industrialization of parts | |
Nie | An algorithm for the rapid generation of bas-reliefs based on point clouds | |
Phothong et al. | Quality improvement of 3D models reconstructed from silhouettes of multiple images |
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 |