一种改进的高维空间自适应采样方法

摘要

本发明涉及一种改进的高维空间自适应采样方法，用于对图像进行空间上的重建，所述方法包括下列步骤：在高维空间进行随机稀疏采样；利用自适应尺度估计方法对随机稀疏采样的采样点进行选择性加密采样；消除因选择性加密采样而造成的失真；根据加密采样的采样点的光亮度值，对高维空间的光亮度函数进行重建；对重建的光亮度函数中的非图像空间维度进行积分重建，得到最终图像维度上的光亮度函数；处理最终图像维度上的光亮度函数，对图像进行空间上的重建。与现有技术相比，本发明具有过重建效果好、适应性强、适用范围广以及不产生失真等优点。

权利要求

1.一种改进的高维空间自适应采样方法，用于对图像进行空间上的重建，其特征在于，所述方法包括下列步骤：

1)在高维空间进行随机稀疏采样；

2)利用自适应尺度估计方法对步骤1)中的随机稀疏采样的采样点进行选择性加密采样，具体为：

21)沿维度把采样点均匀分到B个桶中，B的取值不小于10；

22)统计每个桶中的采样点的方差；

23)根据步骤22)中每个桶中的采样点的方差，进一步计算该维度对应的所有桶的方差的方差，即为该维度的方差；

24)根据该维度的方差计算该维度需要的算法尺度，即为选择性加密采样的密度；

3)扩大采样空间，消除因步骤2)中选择性加密采样而造成的失真，扩大后的采样空间大小不小于原采样空间大小的1.1倍；

4)根据步骤3)中的加密采样的采样点的光亮度值，对高维空间的光亮度函数进行重建；

5)对步骤4)中重建的光亮度函数中的非图像空间维度进行积分重建，得到最终图像维度上的光亮度函数；

6)处理步骤5)中得到的最终图像维度上的光亮度函数，对图像进行空间上的重建。

说明书

一种改进的高维空间自适应采样方法

技术领域

[0001] 本发明涉及图像处理技术领域，尤其是涉及一种改进的高维空间自适应采样方法。

背景技术

[0002] 高真实感图像绘制技术所采用的光线跟踪算法主要有三部分组成：对摄像机及场景所对应的维度进行采样，生成连接光源与摄像机的光路；计算光路对应的亮度；根据采样信息以及其对应光路的亮度信息对图像进行重建。

[0003] 光路亮度的计算所涉及的物理模型是基于能量守恒的光照亮度绘制方程和双向反射分布函数，前者通过积分的形式给出了在某点处出射光线亮度相对于所有入射光线亮度的数学公式表述。后者用于计算在某点出入射光线与出射光线的在不同方向上的能量分布，可以很好的表现出场景中的物体表面的材质信息，例如：塑料材质，金属材质，玻璃材质等。通过上述方程及函数可以计算出光路中光线每次反射的能量变化，从而得到光路最终对应的亮度。计算机图形学中针对采样算法的研究层出不穷，这里仅列举近些年的一些比较有代表性的研究成果。

[0004] 自适应采样技术被Whitted提出，其算法首先用规则的网格对图像空间进行稀疏采样，进一步的对于网格中边角处采样点对应亮度方差较大的网格进行细分，并递归重复上述过程。尽管Whitted的方法是基于自适应的，但是却不具有随机性，因此所得图像会产生失真。为了避免这一现象，Mitchell、Bolin和Rigau等人提出了随机的自适应采样技术，算法的采样点随机生成，并在采样点对应光路亮度方差较大的地方进行加密采样。上述方法的提出很大程度上降低了的到相同质量的图像的采样率需求。尽管上述算法在一般的光线跟踪算法上取得了很好的效果，但是随着运动模糊、景深效果的引入所带来的采样空间维度的提升使得上述方法所得图像仍具有很大的噪声。高维空间光路的思想被Walter提出以解决这一问题，但是该思想在生成采样点的过程中需要对采样点进行筛选，在采样率需求较大的情况下性能很低。进一步，Toshiya提出了高维空间自适应采样算法，该算法首先在高维空间上进行随机的稀疏采样，在采样点对应亮度方差较大的地方进行细分并加密采样，取得了很好的结果。然而这种方法一方面不能很好的自适应不同维度的缩放尺度，另一方面由于采样点分布不均造成了整体图像失真。

发明内容

[0005] 本发明的目的是针对上述问题提供一种改进的高维空间自适应采样方法。

[0006] 本发明的目的可以通过以下技术方案来实现：

[0007] 一种改进的高维空间自适应采样方法，用于对图像进行空间上的重建，所述方法包括下列步骤：

[0008] 1)在高维空间进行随机稀疏采样；

[0009] 2)利用自适应尺度估计方法对步骤1)中的随机稀疏采样的采样点进行选择性加密采样；

[0010] 3)消除因步骤2)中选择性加密采样而造成的失真；

[0011] 4)根据步骤3)中的加密采样的采样点的光亮度值，对高维空间的光亮度函数进行重建；

[0012] 5)对步骤4)中重建的光亮度函数中的非图像空间维度进行积分重建，得到最终图像维度上的光亮度函数；

[0013] 6)处理步骤5)中得到的最终图像维度上的光亮度函数，对图像进行空间上的重建。

[0014] 所述步骤2)具体为：

[0015] 21)沿维度把采样点均匀分到B个桶中；

[0016] 22)统计每个桶的方差；

[0017] 23)根据步骤22)中每个桶中的采样点的方差，进一步计算该维度对应的所有桶的方差的方差，即为该维度的方差；

[0018] 24)根据该维度的方差计算该维度需要的算法尺度，即为选择性加密采样的密度。

[0019] 所述桶的数量B的取值不小于10。

[0020] 所述步骤3)具体为扩大采样空间。

[0021] 所述扩大后的采样空间大小不小于原采样空间大小的1.1倍。

[0022] 与现有技术相比，本发明具有以下有益效果：

[0023] (1)通过统计维度上的采样点的方差，确定该维度的采样密度，准确的衡量了采样点在不同维度中的差异的度量，自适应性良好，解决了传统算法不能很好的自适应不同维度的缩放尺度的问题。

[0024] (2)通过适当扩大采样空间，解决了采样点分布不均造成了整体图像失真问题。

[0025] (3)统计维度上的采样点的方差的时间在整体计算时间上相对于光线跟踪来讲几乎可以忽略不计，因此没有降低算法效率，整体算法效率良好。

[0026] (4)扩大采样空间这一方法不仅简单而且效率高，从整体上提高了采样的效率。

附图说明

[0027] 图1为本发明的方法流程图。

具体实施方式

[0028] 下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

[0029] 如图1所示，本实施例提供了一种改进的高维空间自适应采样方法，用于对图像进行空间上的重建，该方法包括下列步骤：

[0030] 1)在高维空间进行随机稀疏采样；

[0031] 2)利用自适应尺度估计方法对步骤1)中的随机稀疏采样的采样点进行选择性加密采样：

[0032] 21)沿维度把采样点均匀分到B个桶中，本实施例中B的值为10；

[0033] 22)统计每个桶的方差；

[0034] 23)根据步骤22)中每个桶中的采样点的方差，进一步计算该维度对应的所有桶的方差的方差，即为该维度的方差；

[0035] 24)根据该维度的方差计算该维度需要的算法尺度，即为选择性加密采样的密度；

[0036] 3)消除因步骤2)中选择性加密采样而造成的失真，具体为扩大采样空间，扩大后的采样空间大小为原采样空间大小的1.1倍；

[0037] 4)根据步骤3)中的加密采样的采样点的光亮度值，对高维空间的光亮度函数进行重建；

[0038] 5)对步骤4)中重建的光亮度函数中的非图像空间维度进行积分重建，得到最终图像维度上的光亮度函数；

[0039] 6)处理步骤5)中得到的最终图像维度上的光亮度函数，对图像进行空间上的重建。

[0040] 本方法中对高维空间中变化剧烈或者是亮度值较大的地方进行加密采样，通过这些采样点的光亮度值对高维空间上的光亮度函数L(x,y,u1,...,un)进行重建，进而对高维空间上的光亮度函数L(x,y,u1,...,un)中非图像空间维度进行积分，重建得出最终图像维度上的光亮度函数L(x,y)，如下式所示

[0041] L(x,y)＝∫∫f(x,y,u1,…un)du1dun

[0042] 算法对非图像空间维度所对应的子空间P(x,y)进行划分，计算得出上述积分值[0043]

[0044] 进一步假设在子空间P(x,y)的任意分划Ω上的光亮度函数是常值函数，记为L(Ω)，因此

[0045]

[0046] 代入可得

[0047]

[0048] 至此，算法已经完成了对图像空间上的重建。

[0049] 在高维空间自适应采样算法的实现中存在两点问题，一是在KDTree建树的过程中由于不同维度所需的采样密度不同，所以需要对采样点在不同维度上进行缩放，一般在时间，透镜等维度会缩放到更小的尺度以获得更高的采样密度。另一个问题是，在新的采样点的生成过程中由于每次只在KDTree节点对应的包围盒内生成新的候选采样点，导致最终渲染图像质量在KDTree的分割面处存在较明显的变化，这一问题在采样密度图中可以更好地得到体现。因此本方法的两个独特的改进点在于：

[0050] a.自适应尺度估计

[0051] 针对采样点在不同维度上的缩放问题，提出自适应尺度估计技术。产生此问题的根本原因是由于在采样空间中不同维度上面的采样点对应的亮度的差异是不同的，对于差异较大的维度应提高采样密度，反之使用较低的采样密度即可对该维度进行很好地采样与估计。所以，问题的解决就变成了寻找一种可以衡量采样点在不同维度中的差异的度量。

[0052] 提出的改进算法基于对高维空间自适应采样算法的初始采样步骤产生的采样点的方差估计，在整体计算时间上由于方差计算相对光线跟踪来讲几乎可以忽略不计，所以改进后的算法的效率同原始算法基本一致，但是可以很好的自适应的决定不同维度的缩放尺度，以获得和原始算法一致的结果。

[0053] 对于某一维度，不失一般性这里假设采样点维度为(x,y,t)，需要计算的维度是时间维度t，算法首先沿该维度把采样点均匀分布到B个桶中(通常算法的性能关于BB具有一定的鲁棒性，一般取B＝10即可)，记每个桶中的采样点的集合为：

[0054] S(t)i＝{(x,y,t,fx,y,t)|iB≤t≤(i+1)B,(x,y,t,fx,y,t)∈S}

[0055] 其中(x,y,t,fx,y,t)为采样点和其对应的亮度，S为所有采样点的集合。对于每个桶中的采样点，算法统计其方差σi以衡量其分布上的差异，

[0056] μ(t)i＝1|S(t)i|∑(x,y,t,f x,y,t)∈S(t)if x,y,t

[0057] σ(t)i＝1|S(t)i|Σ(x,y,t,f x,y,t)∈S(t)if x,y,t

[0058] 算法进一步计算该维度对应的所有的桶的方差的方差σ(t)，

[0059] μ(t)＝1BB-1Σi＝0σ(t)i

[0060] σ(t)＝(1BB-1∑i＝0(σ(t)i-μ(t))2)12

[0061] 最后算法根据每一维度的方差σ(*)来计算每个维度对应所需要的算法尺度c(*)，[0062] σmax＝max(σ(*))

[0063] c(*)＝σ(*)σmax

[0064] b.弹性采样点生成

[0065] 针对新采样点生成所造成的沿KDTree分界面失真的问题，提出了弹性采样点生成技术。造成此问题的原因是由于在新的采样点的生成过程中由于每次只在KDTree节点对应的包围盒内生成新的候选采样点，导致采样点沿KDTree分界面分布不均匀，进而导致最终渲染图像质量在KDTree的分割面处存在较明显的变化。

[0066] 本实施例采用了一种比较简单的算法，在生成新的采样点时把采样空间适当的放大，从原始的对应的KDTree节点的包围盒扩充到KDTree节点的包围盒放大1.1倍对应的采样空间，这个简单的做法可以有效地消除这一问题。

[0067] 原始采样过程仅在KDTree节点对应的包围盒内部生成候选采样点，改进过的采样过程，对原始采样空间进行了扩充，可以有效地消除这一问题。本实施例分别从高维空间自适应采样算法的实现，以及两点相关改进上进行了比较，可以看出改进后的算法较原有算法在效果和适用性上均有一定提升。

[0068] 本实施例进行实验的实验平台的硬件参数具体为：处理器Intel Core i5-5257U；内存Samsung 8G；显卡Intel Iris Graphics 6100；硬盘Apple SSD 128GB。

[0069] 本次实验平台的软件参数具体为：操作系统Windows 10 Entreprise 64bit；开发环境Visual Studio 2013。

[0070] 本实施例的实验数据共有两个场景：台球和国际象棋场景，这两个场景分别对应运动模糊和景深效果的渲染。实施例中给出了采样率为10spp下的传统光线跟踪和高维空间自适应采样算法，以及采样率为256spp下的传统光线跟踪的比较。可以看到在应用高维空间自适应采样算法后，原采样空间中变化较为剧烈的地方对应的有更高的采样率以获得相对不错的结果。

[0071] 在算法效率上，上面三种参数下的计算时间如下所示，可以看到高维空间自适应采样算法在相同或更高质量下所需时间更短。

[0072] BF(spp＝10)MDAS(spp＝10)BF(spp＝256)

[0073] 台球场景91.56s 504.74s 2031.34s

[0074] 国际象棋场景32.88s 189.34s 785.13s

[0075] 根据上述结果，可以看出改进后的算法相对于原始算法在质量上有一定的退步，但是在算法的实用性上有很大的提升。而且应用改进后的算法，原采样密度图中存在的失真部分已经被完全消除了。