CN117152353A - 实景三维模型创建方法、装置、电子设备和可读介质 - Google Patents
实景三维模型创建方法、装置、电子设备和可读介质 Download PDFInfo
- Publication number
- CN117152353A CN117152353A CN202311069524.1A CN202311069524A CN117152353A CN 117152353 A CN117152353 A CN 117152353A CN 202311069524 A CN202311069524 A CN 202311069524A CN 117152353 A CN117152353 A CN 117152353A
- Authority
- CN
- China
- Prior art keywords
- image
- extracted
- texture
- preset
- live
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 101
- 238000012545 processing Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000012952 Resampling Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本公开的实施例公开了实景三维模型创建方法、装置、电子设备和可读介质。该方法的一具体实施方式包括:获取待提取图像;对待提取图像进行预处理,以生成预处理后待提取图像;获取预设纹理提取算法集;对于预设纹理提取算法集中的每个预设纹理提取算法,根据预设纹理提取算法,对预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组;从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集;根据目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。该实施方式避免了建立的实景三维模型与实际场景不相符的情况。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及实景三维模型创建方法、装置、电子设备和可读介质。
背景技术
随着三维建模技术的不断发展,如何更高效的建立实景三维模型成为一项重要的研究课题。目前,在建立实景三维模型时,通常采用的方式为:通过拍摄设备对场景进行拍摄,通过预先设定的纹理提取算法提取拍摄的影像中的所有纹理特征,建立实景三维模型。
然而,当采用上述方式建立实景三维模型时,经常会存在如下技术问题:
第一,通过单个纹理特征提取算法对纹理特征进行提取时,未考虑到不同的纹理特征提取算法的提取方向不同,导致单个纹理特征提取算法无法对所有的纹理特征进行提取,造成建立的实景三维模型与实际场景不相符。
第二,在使用滤波器对拍摄的影像进行去噪时,不同的滤波器配置所滤波的结果不同,使用滤波效果较差的配置进行去噪时,导致滤波后的影像依旧存在噪声或影像细节损失,造成建立的实景三维模型与实际场景不相符。
第三,采集影像时,可能会因外界因素(例如,天气、光照、地形等)影响,导致采集的影像存在大量阴影,造成建立的实景三维模型精度较低。
第四,使用所有的纹理特征建立实景三维模型时,特征维数较大,导致需要消耗较长的时间建立实景三维模型,建立实景三维模型的效率较低。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了实景三维模型创建方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面,本公开的一些实施例提供了一种实景三维模型创建方法,该方法包括:获取待提取图像;对上述待提取图像进行预处理,以生成预处理后待提取图像;获取预设纹理提取算法集,其中,上述预设纹理提取算法集包括至少一个预设纹理提取算法;对于上述预设纹理提取算法集中的每个预设纹理提取算法,根据上述预设纹理提取算法,对上述预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组;从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集;根据上述目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。
第二方面,本公开的一些实施例提供了一种实景三维模型创建装置,装置包括:第一获取单元,被配置成获取待提取图像;预处理单元,被配置成对上述待提取图像进行预处理,以生成预处理后待提取图像;第二获取单元,被配置成获取预设纹理提取算法集,其中,上述预设纹理提取算法集包括至少一个预设纹理提取算法;纹理提取单元,被配置成对于上述预设纹理提取算法集中的每个预设纹理提取算法,根据上述预设纹理提取算法,对上述预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组;选取单元,被配置成从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集:创建单元,被配置成根据上述目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的实景三维模型创建方法,可以避免建立的实景三维模型与实际场景不相符。具体来说,造成建立的实景三维模型与实际场景不相符的原因在于:通过单个纹理特征提取算法对纹理特征进行提取时,未考虑到不同的纹理特征提取算法的提取方向不同,导致单个纹理特征提取算法无法对所有的纹理特征进行提取,造成建立的实景三维模型与实际场景不相符。基于此,本公开的一些实施例的实景三维模型创建方法,首先,获取待提取图像。由此,可以获取需要建立实景三维模型的区域的图像。其次,对上述待提取图像进行预处理,以生成预处理后待提取图像。由此,可以对图像进行预处理,以使得提取的纹理特征更精准。然后,获取预设纹理提取算法集;对于上述预设纹理提取算法集中的每个预设纹理提取算法,根据上述预设纹理提取算法,对上述预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组。由此,可以通过设定多个纹理提取算法提取图像的纹理特征,进而,可以从不同的提取方向对图像的纹理特征进行提取,从而可以对所有的纹理特征进行提取,避免了建立的实景三维模型与实际场景不相符的情况。之后,从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集。由此,可以选取纹理特征从而建立实景三维模型。最后,根据上述目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。由此,完成实景三维模型的建立。避免了建立的实景三维模型与实际场景不相符的情况。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是根据本公开的实景三维模型创建方法的一些实施例的流程图;
图2是根据本公开的实景三维模型创建装置的一些实施例的结构示意图;
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的实景三维模型创建方法的一些实施例的流程100。该实景三维模型创建方法,包括以下步骤:
步骤101,获取待提取图像。
在一些实施例中,实景三维模型创建方法的执行主体(例如服务器)可以获取待提取图像。实践中,可以控制相关联的至少一个无人机对目标区域进行拍摄,以生成待提取图像。其中,上述相关联的至少一个无人机可以是与上述执行主体通过有线连接或者无线连接的至少一个具有拍摄功能的无人机。上述目标区域可以是需要创建三维模型的区域。
步骤102,对待提取图像进行预处理,以生成预处理后待提取图像。
在一些实施例中,上述执行主体可以对上述待提取图像进行预处理,以生成预处理后待提取图像。其中,上述预处理可以是对待提取图像中的噪声进行去噪处理。
实践中,可以将上述待提取图像输入至预先训练的预处理模型,得到预处理后待提取图像。
可选地,上述预处理模型可以是通过以下步骤训练得到的:
第一步,获取样本集合。
在一些实施例中,上述执行主体可以获取样本集合。其中,上述样本集合中的样本包括样本待提取图像,以及与上述样本待提取图像对应的样本预处理后待提取图像。
第二步,从上述样本集合中选择样本。
在一些实施例中,上述执行主体可以从上述样本集合中选择样本。这里,上述执行主体可以随机从上述样本集合中选择样本。
第三步,将上述样本输入至初始网络模型,得到对应上述样本的预处理后待提取图像。
在一些实施例中,上述执行主体可以将上述样本输入至初始网络模型,得到对应上述样本的预处理后待提取图像。其中,上述初始神经网络可以是能够根据待提取图像得到预处理后待提取图像的深度学习模型。
第四步,确定上述预处理后待提取图像与上述样本包括的样本预处理后待提取图像之间的损失值。
在一些实施例中,上述执行主体可以确定上述预处理后待提取图像与上述样本包括的样本预处理后待提取图像之间的损失值。实践中,可以基于OpenCV算法确定上述预处理后待提取图像与上述样本包括的样本预处理后待提取图像之间的损失值。
第五步,响应于上述损失值大于等于预设阈值,调整上述初始网络模型的网络参数。
在一些实施例中,上述执行主体可以响应于上述损失值大于等于预设阈值,调整上述初始网络模型的网络参数。这里,对于预设阈值的设定,不作限制。例如,可以对损失值和预设阈值求差值,得到损失差值。在此基础上,利用反向传播、随机梯度下降等方法将误差值从模型的最后一层向前传递,以调整每一层的参数。当然根据需要,也可以采用网络冻结(dropout)的方法,对其中的一些层的网络参数保持不变,不进行调整,对此,不做任何限定。
可选地,响应于上述损失值小于上述预设阈值,将上述初始网络模型确定为预处理模型。
在一些实施例中,上述执行主体可以响应于上述损失值小于上述预设阈值,将上述初始网络模型确定为预处理模型。
在一些实施例的一些可选的实现方式中,上述执行主体可以将上述待提取
实践中,上述执行主体可以通过以下步骤对上述待提取图像进行预处理,以生成预处理后待提取图像:
第一步,对上述待提取图像进行数据转换处理,以生成数据转换后的待提取图像,作为强度图像。实践中,可以使用IDL8.5工具将待提取图像转换为强度图像。
第二步,根据预设滤波器,对上述强度图像进行滤波处理,以生成滤波后强度图像。其中,上述预设滤波器可以是预先设定的滤波器。例如,上述滤波器可以是Frost滤波器。
这里,可以通过以下子步骤对上述强度图像进行滤波处理,以生成滤波后强度图像:
第一子步骤,获取预设滤波配置集。其中,上述预设滤波配置集中的预设滤波配置可以是预先设定的上述预设滤波器的滤波器配置。进一步的,上述预设滤波配置可以是滤波器的滤波窗口大小。
第二子步骤,对于上述预设滤波配置集中的每个预设滤波配置,根据上述预设滤波配置,通过上述预设滤波器对上述强度图像进行滤波处理,以生成待处理强度图像。实践中,第一,可以根据上述预设滤波配置对上述预设滤波器进行调整。第二,将上述强度图像输入至上述调整后的预设滤波器中,得到待处理强度图像。
第三子步骤,对所生成的待处理强度图像集中的各个待处理强度图像进行对比处理,以选取出目标待处理强度图像作为滤波后强度图像。实践中,对于上述待处理强度图像集中的每个待处理强度图像,可以通过matlab工具确定待处理强度图像集中的噪声最少以及细节损失最少的待处理强度图像作为滤波后强度图像。
上述第一子步骤-第三子步骤中的相关内容作为本公开的一个发明点,解决了背景技术提及的技术问题二“在使用滤波器对拍摄的影像进行去噪时,不同的滤波器配置所滤波的结果不同,使用滤波效果较差的配置进行去噪时,导致滤波后的影像依旧存在噪声或影像细节损失,造成建立的实景三维模型与实际场景不相符”。造成建立的实景三维模型与实际场景不相符的因素往往如下:在使用滤波器对拍摄的影像进行去噪时,不同的滤波器配置所滤波的结果不同,使用滤波效果较差的配置进行去噪时,导致滤波后的影像依旧存在噪声或影像细节损失,造成建立的实景三维模型与实际场景不相符。如果解决了上述因素,就能达到减少传输资源的浪费的效果。为了达到这一效果,第一,获取预设滤波配置集。由此,可以获取到不同的滤波器配置。第二,对于上述预设滤波配置集中的每个预设滤波配置,根据上述预设滤波配置,通过上述预设滤波器对上述强度图像进行滤波处理,以生成待处理强度图像。由此,可以通过不同的滤波器配置对图像进行去噪,得到不同的去噪图像,从而,可以从不同的去噪图像中选取出最优的去噪图像作为待处理强度图像。进而避免了建立的实景三维模型与实际场景不相符的情况。第三,对所生成的待处理强度图像集中的各个待处理强度图像进行对比处理,以选取出目标待处理强度图像作为滤波后强度图像。由此,避免了建立的实景三维模型与实际场景不相符的情况。
第三步,对上述滤波后强度图像进行校正处理,以生成校正后的滤波后强度图像,作为预处理后待提取图像。这里,上述执行主体可以通过各种方法对上述滤波后强度图像进行校正处理,以生成校正后的滤波后强度图像,作为预处理后待提取图像。例如,上述执行主体可以通过三维几何变换方法对上述滤波后强度图像进行校正处理,以生成校正后的滤波后强度图像,作为预处理后待提取图像。
可选地,在步骤102之后,还可以执行如下转换步骤:
第一转换步骤,对上述预处理后待提取图像进行灰度转换处理,以生成灰度提取图像。
在一些实施例中,上述执行主体可以对上述预处理后待提取图像进行灰度转换处理,以生成灰度提取图像。实践中,可以通过灰度转换算法对上述与处理后待提取图像进行灰度转换处理。
第二转换步骤,根据上述灰度提取图像,确定灰度直方图。
在一些实施例中,上述执行主体可以根据上述灰度提取图像,确定灰度直方图。这里,可以通过OpenCV算法确定灰度直方图。
第三转换步骤,根据上述灰度直方图,对上述预处理后待提取图像进行阴影检测处理,以生成检测后提取图像。
在一些实施例中,上述执行主体可以根据上述灰度直方图,对上述预处理后待提取图像进行阴影检测处理,以生成检测后提取图像。实践中,上述执行主体可以通过直方图阈值法对上述预处理后待提取图像进行阴影检测处理。其中,上述检测后提取图像中的阴影部分可以通过黑色显示,非阴影部分可以通过高亮显示以进行区分。
第四转换步骤,对上述检测后提取图像进行阴影去除处理,以生成去除后提取图像。
在一些实施例中,上述执行主体可以对上述检测后提取图像进行阴影去除处理,以生成去除后提取图像。其中,上述阴影去除处理可以是通过基于非模型的代数乘运算法对检测后提取图像进行阴影去除。实践中,可以通过上述基于非模型的代数乘运算法对阴影部分进行亮度增强。
第五转换步骤,将上述去除后提取图像确定为预处理后待提取图像。
在一些实施例中,上述执行主体可以将上述去除后提取图像确定为预处理后待提取图像。
上述第一转换步骤-第五转换步骤中的相关内容,与下文中的步骤“步骤106”相结合,作为本公开的一个发明点,解决了背景技术提及的技术问题三“采集影像时,可能会因外界因素(例如,天气、光照、地形等)影响,导致采集的影像存在大量阴影,造成建立的实景三维模型精度较低”。造成建立的实景三维模型精度较低的因素往往如下:采集影像时,可能会因外界因素(例如,天气、光照、地形等)影响,导致采集的影像存在大量阴影,造成建立的实景三维模型精度较低。如果解决了上述因素,就能达到提高建立的实景三维模型的精度的效果。为了达到这一效果,第一,对上述预处理后待提取图像进行灰度转换处理,以生成灰度提取图像。由此,可以将影像转换为灰度图像。第二,根据上述灰度提取图像,确定灰度直方图。由此,可以通过灰度提取图像,生成预处理后待提取图像对应的灰度直方图。第三,根据上述灰度直方图,对上述预处理后待提取图像进行阴影检测处理,以生成检测后提取图像。由此,可以将影像中的阴影部分与非阴影部分进行区分,确定阴影部分区域。第四,对上述检测后提取图像进行阴影去除处理,以生成去除后提取图像。由此,可以通过对影像中的阴影部分进行亮度增强,显示阴影部分中的纹理信息,从而可以提高实景三维模型中阴影部分的精度。第五,将上述去除后提取图像确定为预处理后待提取图像。由此,完成对影像中阴影部分的处理。提高了建立的实景三维模型的精度。
步骤103,获取预设纹理提取算法集。
在一些实施例中,上述执行主体可以获取预设纹理提取算法集。其中,上述预设纹理提取算法集包括至少一个预设纹理提取算法。上述预设纹理提取算法集中的预设纹理提取算法可以是预先设定的用于对上述预处理后待提取图像进行特征提取的算法。这里,上述执行主体可以通过有线连接或者无线连接的方式从存储预设纹理提取算法集的数据库中获取预设纹理提取算法集。
步骤104,对于预设纹理提取算法集中的每个预设纹理提取算法,根据预设纹理提取算法,对预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组。
在一些实施例中,上述执行主体可以对于上述预设纹理提取算法集中的每个预设纹理提取算法,根据上述预设纹理提取算法,对上述预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组。
步骤105,从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集。
在一些实施例中,上述执行主体可以从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集。
实践中,上述执行主体可以通过以下步骤从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集:
第一步,对上述各个纹理特征进行重抽样处理,以生成第二预设数量个重抽样样本组,得到重抽样样本组集,以及根据上述重抽样样本组集包括的各个重抽样样本组,生成样本分类树集。其中,上述重抽样处理可以是Bootstrap重抽样方法。上述第二预设数量可以是预先设定的重抽样抽取纹理特征的数量。这里,对于上述重抽样样本组集中的每个重抽样样本组,根据上述重抽样样本组,建立样本分类树。
实践中,可以对上述各个纹理特征进行第二预设数量次抽样处理,以生成第二预设数量个第一样本组和第二预设数量个第二样本组。这里,可以通过袋装法对各个纹理特征进行抽样处理,由此,上述第一样本组可以是袋中样本组。上述第二样本组可以是袋外样本组。将上述袋中样本组确定为重抽样样本组,即将上述第二预设数量个第一样本组确定为重抽样样本组集。
第二步,根据所生成的各个样本分类树以及对应的各个袋中样本组和各个袋外样本组,确定目标纹理特征集。
实践中,可以通过以下子步骤确定目标纹理特征集:
第一子步骤,对于上述各个样本分类树中的每个样本分类树,确定上述样本分类树的第一误差值。其中,上述第一误差值可以是OOB(out-of-bag)误差。实践中,可以通过上述样本分类树对应的袋外样本组,确定上述样本分类树的第一误差值。
第二子步骤,对于上述各个纹理特征中的每个纹理特征,将上述纹理特征中随机加入噪声,以及确定加入噪声后的纹理特征对应的第二误差值。其中,上述第二误差值可以是OOB(out-of-bag)误差。
第三子步骤,根据各个样本分类树对应的各个第一误差值和各个第二误差值,确定上述各个纹理特征中每个纹理特征的重要程度值。实践中,可以通过以下公式确定每个纹理特征的重要程度值:
其中,MA表示纹理特征。表示纹理特征MA的重要程度值。K表示样本分类树组包括的样本分类树的个数。B1表示第一误差值。B2表示第二误差值。
第四子步骤,根据所确定的各个重要程度值,确定目标纹理特征集。实践中,第一,可以将各个纹理特征按对应的重要程度值降序排序,得到纹理特征序列。第二,可以从上述纹理特征序列中选取出前目标数量纹理特征作为目标纹理特征集。其中,上述目标数量可以是预先存储的需要选取的纹理特征的数量。
上述第一步-第二步中的相关内容结合步骤106的创建步骤作为本公开的一个发明点,解决了背景技术提及的技术问题四“使用所有的纹理特征建立实景三维模型时,特征维数较大,导致需要消耗较长的时间建立实景三维模型,建立实景三维模型的效率较低”。造成需要消耗较长的时间建立实景三维模型,建立效率较低的因素往往如下:使用所有的纹理特征建立实景三维模型时,特征维数较大,导致需要消耗较长的时间建立实景三维模型,建立实景三维模型的效率较低。如果解决了上述因素,就能达到减少建立实景三维模型的时间,提高建立效率的效果。为了达到这一效果,第一,对上述各个纹理特征进行重抽样处理,以生成第二预设数量个重抽样样本组,得到重抽样样本组集,以及根据上述重抽样样本组集包括的各个重抽样样本组,生成样本分类树集。由此,可以通过重采样的方式建立多个分类树。第二,根据所生成的各个样本分类树以及对应的各个袋中样本组和各个袋外样本组,确定目标纹理特征集:首先,对于上述各个样本分类树中的每个样本分类树,确定上述样本分类树的第一误差值。由此,可以确定生成每棵分类树时的袋外样本组的误差值。其次,对于上述各个纹理特征中的每个纹理特征,将上述纹理特征中随机加入噪声,以及确定加入噪声后的纹理特征对应的第二误差值。由此,可以确定在随机加入噪声后的袋外样本组的误差值。第三,根据各个样本分类树对应的各个第一误差值和各个第二误差值,确定上述各个纹理特征中每个纹理特征的重要程度值。由此,可以通过确定纹理特征的重要程度值,选取部分纹理特征以建立实景三维模型,从而可以降低纹理特征的特征维数,从而可以减少建立实景三维模型的时间,提高建立实景三维模型的效率。第四,根据所确定的各个重要程度值,确定目标纹理特征集。由此,减少了建立实景三维模型的时间,提高了建立实景三维模型的效率。
步骤106,根据目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。
在一些实施例中,上述执行主体可以根据上述目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。
本公开的上述各个实施例中具有如下有益效果:通过本公开的一些实施例的实景三维模型创建方法,可以避免建立的实景三维模型与实际场景不相符。具体来说,造成建立的实景三维模型与实际场景不相符的原因在于:通过单个纹理特征提取算法对纹理特征进行提取时,未考虑到不同的纹理特征提取算法的提取方向不同,导致单个纹理特征提取算法无法对所有的纹理特征进行提取,造成建立的实景三维模型与实际场景不相符。基于此,本公开的一些实施例的实景三维模型创建方法,首先,获取待提取图像。由此,可以获取需要建立实景三维模型的区域的图像。其次,对上述待提取图像进行预处理,以生成预处理后待提取图像。由此,可以对图像进行预处理,以使得提取的纹理特征更精准。然后,获取预设纹理提取算法集;对于上述预设纹理提取算法集中的每个预设纹理提取算法,根据上述预设纹理提取算法,对上述预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组。由此,可以通过设定多个纹理提取算法提取图像的纹理特征,进而,可以从不同的提取方向对图像的纹理特征进行提取,从而可以对所有的纹理特征进行提取,避免了建立的实景三维模型与实际场景不相符的情况。之后,从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集。由此,可以选取纹理特征从而建立实景三维模型。最后,根据上述目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。由此,完成实景三维模型的建立。避免了建立的实景三维模型与实际场景不相符的情况。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种实景三维模型创建装置的一些实施例,这些装置实施例与图1所示的那些方法实施例相对应,该实景三维模型创建装置具体可以应用于各种电子设备中。
如图2所示,一些实施例的实景三维模型创建装置200包括:第一获取单元201、预处理单元202、第二获取单元203、纹理提取单元204、选取单元205和创建单元206。其中,第一获取单元201被配置成获取待提取图像;预处理单元202被配置成对上述待提取图像进行预处理,以生成预处理后待提取图像;第二获取单元203被配置成获取预设纹理提取算法集,其中,上述预设纹理提取算法集包括至少一个预设纹理提取算法;纹理提取单元204被配置成对于上述预设纹理提取算法集中的每个预设纹理提取算法,根据上述预设纹理提取算法,对上述预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组;选取单元205被配置成从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集:创建单元206被配置成根据上述目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。
可以理解的是,实景三维模型创建装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于实景三维模型创建装置200及其中包含的单元,在此不再赘述。
下面参考图3,其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。本公开的一些实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图3示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示,电子设备300可以包括处理装置301(例如中央处理器、图形处理器等),其可以根据存储在只读存储器(ROM)302中的程序或者从存储装置308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中,还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
通常,以下装置可以连接至I/O接口305:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307;包括例如磁带、硬盘等的存储装置308;以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置309从网络上被下载和安装,或者从存储装置308被安装,或者从ROM 302被安装。在该计算机程序被处理装置301执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待提取图像。对上述待提取图像进行预处理,以生成预处理后待提取图像。获取预设纹理提取算法集,其中,上述预设纹理提取算法集包括至少一个预设纹理提取算法。对于上述预设纹理提取算法集中的每个预设纹理提取算法,根据上述预设纹理提取算法,对上述预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组。从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集。根据上述目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括第一获取单元、预处理单元、第二获取单元、纹理提取单元、选取单元和创建单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,第一获取单元还可以被描述为“获取待提取图像的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开的实施例中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (8)
1.一种实景三维模型创建方法,包括:
获取待提取图像;
对所述待提取图像进行预处理,以生成预处理后待提取图像;
获取预设纹理提取算法集,其中,所述预设纹理提取算法集包括至少一个预设纹理提取算法;
对于所述预设纹理提取算法集中的每个预设纹理提取算法,根据所述预设纹理提取算法,对所述预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组;
从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集;
根据所述目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。
2.根据权利要求1所述的方法,其中,所述对所述待提取图像进行预处理,以生成预处理后待提取图像,包括:
将所述待提取图像输入至预先训练的预处理模型,得到预处理后待提取图像。
3.根据权利要求2所述的方法,其中,所述预处理模型是通过以下步骤训练得到的:
获取样本集合,其中,所述样本集合中的样本包括样本待提取图像,以及与所述样本待提取图像对应的样本预处理后待提取图像;
从所述样本集合中选择样本;
将所述样本输入至初始网络模型,得到对应所述样本的预处理后待提取图像;
确定对应所述样本的预处理后待提取图像与所述样本包括的样本预处理后待提取图像之间的损失值;
响应于所述损失值大于等于预设阈值,调整所述初始网络模型的网络参数。
4.根据权利要求3所述的方法,其中,所述方法还包括:
响应于所述损失值小于所述预设阈值,将所述初始网络模型确定为预处理模型。
5.根据权利要求1所述的方法,其中,所述对所述待提取图像进行预处理,以生成预处理后待提取图像,包括:
对所述待提取图像进行数据转换处理,以生成数据转换后的待提取图像,作为强度图像;
根据预设滤波器,对所述强度图像进行滤波处理,以生成滤波后强度图像;
对所述滤波后强度图像进行校正处理,以生成校正后的滤波后强度图像,作为预处理后待提取图像。
6.一种实景三维模型创建装置,包括:
第一获取单元,被配置成获取待提取图像;
预处理单元,被配置成对所述待提取图像进行预处理,以生成预处理后待提取图像;
第二获取单元,被配置成获取预设纹理提取算法集,其中,所述预设纹理提取算法集包括至少一个预设纹理提取算法;
纹理提取单元,被配置成对于所述预设纹理提取算法集中的每个预设纹理提取算法,根据所述预设纹理提取算法,对所述预处理后待提取图像进行纹理提取处理,以生成至少一个纹理特征,作为纹理特征组;
选取单元,被配置成从所生成的各个纹理特征组包括的各个纹理特征中选取出第一预设数量个纹理特征,作为目标纹理特征集:
创建单元,被配置成根据所述目标纹理特征集包括的各个目标纹理特征,创建实景三维模型。
7.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至5中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1至5中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069524.1A CN117152353B (zh) | 2023-08-23 | 2023-08-23 | 实景三维模型创建方法、装置、电子设备和可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069524.1A CN117152353B (zh) | 2023-08-23 | 2023-08-23 | 实景三维模型创建方法、装置、电子设备和可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117152353A true CN117152353A (zh) | 2023-12-01 |
CN117152353B CN117152353B (zh) | 2024-05-28 |
Family
ID=88907182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311069524.1A Active CN117152353B (zh) | 2023-08-23 | 2023-08-23 | 实景三维模型创建方法、装置、电子设备和可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117152353B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889888A (zh) * | 2019-10-29 | 2020-03-17 | 桂林理工大学 | 纹理精简和分形压缩集成的三维模型可视化方法 |
CN110969650A (zh) * | 2019-11-20 | 2020-04-07 | 中北大学 | 一种基于中心投影的强度图像与纹理序列间的配准方法 |
CN111507340A (zh) * | 2020-04-16 | 2020-08-07 | 北京深测科技有限公司 | 一种基于三维点云数据的目标点云数据提取方法 |
CN111524606A (zh) * | 2020-04-24 | 2020-08-11 | 郑州大学第一附属医院 | 一种基于随机森林算法的肿瘤数据统计方法 |
CN113012293A (zh) * | 2021-03-22 | 2021-06-22 | 平安科技(深圳)有限公司 | 石刻模型构建方法、装置、设备及存储介质 |
CN113255694A (zh) * | 2021-05-21 | 2021-08-13 | 北京百度网讯科技有限公司 | 训练图像特征提取模型和提取图像特征的方法、装置 |
CN114419182A (zh) * | 2022-02-25 | 2022-04-29 | 北京百度网讯科技有限公司 | 图像处理方法和装置 |
CN114529687A (zh) * | 2022-02-22 | 2022-05-24 | 腾讯科技(深圳)有限公司 | 图像重建方法、装置、电子设备及计算机可读存储介质 |
CN114792354A (zh) * | 2022-06-22 | 2022-07-26 | 北京飞渡科技有限公司 | 模型处理方法、装置、存储介质及电子设备 |
CN115409134A (zh) * | 2022-11-02 | 2022-11-29 | 湖南一二三智能科技有限公司 | 用户用电安全检测方法、系统、设备及存储介质 |
-
2023
- 2023-08-23 CN CN202311069524.1A patent/CN117152353B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110889888A (zh) * | 2019-10-29 | 2020-03-17 | 桂林理工大学 | 纹理精简和分形压缩集成的三维模型可视化方法 |
CN110969650A (zh) * | 2019-11-20 | 2020-04-07 | 中北大学 | 一种基于中心投影的强度图像与纹理序列间的配准方法 |
CN111507340A (zh) * | 2020-04-16 | 2020-08-07 | 北京深测科技有限公司 | 一种基于三维点云数据的目标点云数据提取方法 |
CN111524606A (zh) * | 2020-04-24 | 2020-08-11 | 郑州大学第一附属医院 | 一种基于随机森林算法的肿瘤数据统计方法 |
CN113012293A (zh) * | 2021-03-22 | 2021-06-22 | 平安科技(深圳)有限公司 | 石刻模型构建方法、装置、设备及存储介质 |
CN113255694A (zh) * | 2021-05-21 | 2021-08-13 | 北京百度网讯科技有限公司 | 训练图像特征提取模型和提取图像特征的方法、装置 |
CN114529687A (zh) * | 2022-02-22 | 2022-05-24 | 腾讯科技(深圳)有限公司 | 图像重建方法、装置、电子设备及计算机可读存储介质 |
CN114419182A (zh) * | 2022-02-25 | 2022-04-29 | 北京百度网讯科技有限公司 | 图像处理方法和装置 |
CN114792354A (zh) * | 2022-06-22 | 2022-07-26 | 北京飞渡科技有限公司 | 模型处理方法、装置、存储介质及电子设备 |
CN115409134A (zh) * | 2022-11-02 | 2022-11-29 | 湖南一二三智能科技有限公司 | 用户用电安全检测方法、系统、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
刘瑶;谭克竹;陈月华;王志朋;谢红;王立国;: "基于分段主成分分析和高光谱技术的大豆品种识别", 大豆科学, no. 04, 22 July 2016 (2016-07-22) * |
廖崴;郑立华;李民赞;孙红;杨玮;: "基于随机森林算法的自然光照条件下绿色苹果识别", 农业机械学报, no. 1, 25 December 2017 (2017-12-25) * |
郭峰;毛政元;邹为彬;翁谦;: "融合LiDAR数据与高分影像特征信息的建筑物提取方法", 地球信息科学学报, no. 08, 11 August 2020 (2020-08-11) * |
Also Published As
Publication number | Publication date |
---|---|
CN117152353B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111368685B (zh) | 关键点的识别方法、装置、可读介质和电子设备 | |
CN110413812B (zh) | 神经网络模型的训练方法、装置、电子设备及存储介质 | |
CN112668588B (zh) | 车位信息生成方法、装置、设备和计算机可读介质 | |
CN113505848B (zh) | 模型训练方法和装置 | |
CN111414879A (zh) | 人脸遮挡程度识别方法、装置、电子设备及可读存储介质 | |
CN111062854B (zh) | 检测水印的方法、装置、终端及存储介质 | |
CN112381717A (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
CN110852980A (zh) | 交互式图像填充方法及系统、服务器、设备及介质 | |
CN111402122A (zh) | 图像的贴图处理方法、装置、可读介质和电子设备 | |
CN113689372A (zh) | 图像处理方法、设备、存储介质及程序产品 | |
CN112418249A (zh) | 掩膜图像生成方法、装置、电子设备和计算机可读介质 | |
CN114926734A (zh) | 基于特征聚合和注意融合的固体废弃物检测装置及方法 | |
CN114399814A (zh) | 一种基于深度学习的遮挡物移除和三维重建方法 | |
CN111402159B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN113658065A (zh) | 图像降噪方法及装置、计算机可读介质和电子设备 | |
CN117152353B (zh) | 实景三维模型创建方法、装置、电子设备和可读介质 | |
CN116596748A (zh) | 图像风格化处理方法、装置、设备、存储介质和程序产品 | |
CN110765304A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
CN115115836B (zh) | 图像识别方法、装置、存储介质以及电子设备 | |
CN113033552B (zh) | 文本识别方法、装置和电子设备 | |
CN114862720A (zh) | 画布还原方法、装置、电子设备和计算机可读介质 | |
CN114399696A (zh) | 一种目标检测方法、装置、存储介质及电子设备 | |
CN114422698A (zh) | 视频生成方法、装置、设备及存储介质 | |
CN112418233A (zh) | 图像处理方法、装置、可读介质及电子设备 | |
CN111402133A (zh) | 图像处理方法、装置、电子设备及计算机可读介质 |
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 |