基于加权局部回归的自适应渲染方法技术

本发明专利技术公开了一种基于局部加权回归的自适应渲染方法，具体步骤如下：使用局部回归过滤并重构图像；使用截断SVD(TSVD)构建一个简化的特征空间以消除特征向量携带的噪声；使用两步带宽选择算法分别预测最佳特征带宽bj和共享带宽h；使用基于局部的简化特征子空间k的迭代方法将可用光线样本分配到存在高误差的区域。本发明专利技术是一种新颖的自适应渲染技术，可用于高效、鲁棒的处理多种类型的渲染效果。与现有的类似技术相比，本发明专利技术在生成相同质量的结果时所用时间明显减少，在同等计算时间和计算带价的基础上生成的结果图像效果也远比类似技术好。

Adaptive rendering method based on weighted local regression

The invention discloses an adaptive rendering method based on locally weighted regression, the specific steps are as follows: using local regression filtering and image reconstruction; the use of truncated SVD (TSVD) to construct a simplified feature space to eliminate the noise feature vector carrying; using two step bandwidth selection algorithm respectively predict the best features of BJ and h bandwidth sharing bandwidth the use of simplified iterative method; feature subspace K based on local available light samples assigned to the presence of high error area. The invention relates to a novel adaptive rendering technique, which can be used to efficiently and robustly handle various types of rendering effects. Compared with the existing technology, the invention in the generation of the same quality results with time was reduced and the generation based on equivalent calculation time and calculation with price on the result of image effect is far more than similar technology.

【技术实现步骤摘要】

本专利技术涉及计算机图像处理
，是一种基于加权局部回的自适应渲染图像重构方法。
技术介绍
自适应渲染方法和蒙特卡罗光线追踪重建图像有很长一段历史。当前的工作在这一领域也取得了更大的进展，但是主要的目标仍然是相同的：即使用较少数量的光线样本去提高图片质量以提高效率。由过少光线样本生成的图像容易受到噪声并且聚合成一幅平滑图像的过程很慢。自适应样本和重构的关键因素在于局部实行误差分析，这在为图像重建控制平滑时指导光线集中在高误差区域，用以产生数值上和视觉上令人满意的渲染结果。在高维度上，自适应渲染技术可以被分为积分方法和图像空间方法。强大的积分方法早在2008年已经被提出了，但是近来的研究一直专注于设计一个有效的图像空间方法。这主要是由于图像空间方法能有效且易于集成到现有的渲染系统中，并处理多种复杂的渲染效果例如运动模糊，区域深度等等。近期的图像空间重构技术使用了著名的在图像处理领域被突出的过滤方法如高斯滤波器，非局部方法，联合双边滤波,以及微波。在图像处理上发展起来的重构技术和那些在渲染上使用的一个关键区别在于应用在渲染上的过滤方法适合利用不同类型的可用特征，例如法线、纹理和深度。由于这些特征用来去除MC渲染结果的噪声，很多现有的图像空间技术都是用来一些类型的特征并得到了理想的结果。不幸的是，这些特征也可以被视为双刃剑。即使是特征也会是很嘈杂的，特别当我们有复杂运动、几何体、纹理和光线路径的场景时。此外，不同类型的特征在总体的滤波过程中有不同的重要性，这表现为一个随机参数过滤。然而，这些问题在现有的利用了这些特征的图像空间自适应渲染方法中几乎没有得到重视。
技术实现思路
本专利技术提出了一种基于局部加权回归的自适应重构和采样技术的自适应渲染方法,能够用一个鲁棒的方法来获取误差分析，衡量不同类型特征的重要性，并消除我们考虑在连续的固定方法上更多特征的维度问题。一种基于加权局部回归的自适应渲染方法，包括：步骤1,针对输入图像进行截断奇异值分解(TSVD)计算输入图像的简化的特征空间；步骤2，基于局部矩阵秩的方法将输入图像全局空间中的特征向量转变为在所述简化的特征空间中的简化向量；如上所述，常规的局部回归方法假定输入的预测变量是不嘈杂的，而对应的变量有噪音,为了解决这个问题，本专利技术使用截断SVD(TSVD)构建了一个简化特征空间。在解决每一个像素点的优化问题上，使用奇异值分解(SVD)作为在一个定义在过滤窗口中构建一个简化局部特征空间的方法。这个在全局空间中的特征向量X转变为一个在局部空间中的向量z，随后在简化的特征空间里实施了优化。SVD提供的坐标变化能可靠地解决秩亏系统通常会遇到的问题。当结合微扰理论时，能够预处理矩阵空间以减少那些会导致较差情况或失败重构的噪声。在较高水平时，可以认为这个过程是一个预处理过程，这一过程减少了包含在特征向量中的噪声，并且没有依赖对应的向量(例如，密度)。此外，坐标变换能够识别新的正交特征类型这是与一些原有特征类型线性结合的。比如，当一个3D输入特征向量[x1,x2,x3]给出时，由SVD计算出的简化的空间可以是一个2D向量[x1,0.5x2+0.5x3]。步骤3，构建局部回归基础统计模型y＝f(x)+∈；利用所述简化向量基于扰动理论的截断SVD去除噪声∈得到处理后的输入图像f(x)；其中y表示带有噪声∈的输入图像；所述噪声∈由偏差和方差构成：z为所述的简化向量；为共享带宽h、特征带宽b与z的映射关系；鉴于输入为彩色图片，本专利技术方法独立地应用到每一个通道。特征向量x∈RD有D维，包括图像的位置以及任意附加的几何信息，包括纹理、深度、法线。为了计算一个像素处的特征向量，将从多个基础光线计算出的几何形状平均化。统计模型y＝f(x)+∈中,假设x是一个无噪声的RD向量，特征向量x由于分布式效应例如深度域会变得嘈杂。本专利技术中通过正则化方法解决了这一问题这是在渲染上应用局部回归的关键步骤。未知的密度函数f(x)在x附近的一个中心特征向量xc可以大概的用泰勒多项式展开，如下所示：f(x)≈f(xc)+▿f(xc)T(x-xc)]]>为了简洁，令位置图像值局部线性模型f(xc)和它的梯度各自为α和β。一个加权最小二乘最小化可以确定系数α和β，如下所示：[α^,β^]=minα,βΣi=1n(yi-α-βT(xi-xc))2Πj=1Dw(xji-xjchbj)]]>此处x和y是在像素i处的特征向量和密度。n为像素索引，即式中遍历所有像素；j是一个数学计数量，用于计算区域D内的代价；h为共享带宽；bj为特征带宽；为了过滤一个中心特征向量xc在过滤窗口中定义它的相邻特征向量为xi。计算出系数α和β各自对应已过滤的图像和对重构问题的预测梯度。其中是一个基于一维核乘积的多维核。为了更准确的预测偏差和方差，使用了从现有局部回归文献中发展而来的偏差和方差预测器。偏差项遵循以下渐进关系：式中：B为对角矩阵，表达为trace()是矩阵的迹；是Hesaian矩阵。此外，式中：n(z)表示在z处的样本数量；k为简化的特征空间中每个维度的空间；bj为特征带宽。其中，所述特征带宽b(即下式中bj)为：bj为|∂2f∂zj2|-0.5]]>f是b与z的映射关系；z为简化局部空间中的向量z。其中，所述共享带宽项h(即下式中hopt)的确定：hopt=kκ14λ12n(z)1k+4]]>k为简化的特征空间中每个维度的空间；κ1为使用最小平方差计算出的系数。通过可确定λ1，该式中λ0和λ1都是预测的系数。步骤4，为处理后的输入图像的每个像素z设置光线样本数量的变化量，再进行渲染；光线样本数量的变化量Δn(z)=ΔrMSE(z)ΣtΔrMSE(zt);]]>该式是用来计算变化量的，t是一个数学量；其中ΔrMSE(z)为处理后的输入图像的红色通道的噪声变化量；ε是用来避免分母为零的；ΔMSE(z)=MSE(z)×n(z)-4k+4;]]>k为简化的特征空间中每个维度的空间。本专利技术使用了一个常见的迭代方法以将可用的光线样本分配到有高误差的区域。作为初始迭代我们均匀分布了少量的光线样本(例如，每个像素四个光本文档来自技高网...

【技术保护点】
一种基于加权局部回归的自适应渲染方法，其特征在于，包括：步骤1,针对输入图像进行截断奇异值分解计算输入图像的简化的特征空间；步骤2，基于局部矩阵秩的方法将输入图像全局空间中的特征向量转变为在所述简化的特征空间中的简化向量；步骤3，构建局部回归基础统计模型y＝f(x)+∈；利用所述简化向量基于扰动理论的截断SVD去除噪声∈得到处理后的输入图像f(x)；步骤4，为处理后的输入图像的每个像素z设置光线样本数量的变化量，再进行渲染。

【技术特征摘要】
1.一种基于加权局部回归的自适应渲染方法，其特征在于，包括：
步骤1,针对输入图像进行截断奇异值分解计算输入图像的简化的特征空间；
步骤2，基于局部矩阵秩的方法将输入图像全局空间中的特征向量转变为在所述简化
的特征空间中的简化向量；
步骤3，构建局部回归基础统计模型y＝f(x)+∈；利用所述简化向量基于扰动理论的截
断SVD去除噪声∈得到处理后的输入图像f(x)；
步骤4，为处理后的输入图像的每个像素z设置光线样本数量的变化量，再进行渲染。
2.如权利要求1所述的基于加权局部回归的自适应渲染方法，其特征在于，局部回归基
础统计模型y＝f(x)+∈中，其中y表示带有噪声∈的输入图像；所述噪声∈由偏差和方差构
成：
z为所述的简化向量；
为共享带宽h、特征带宽b与z的映射关系。
3.如权利要求2所述的基于加权局部回归的自适应渲...

【专利技术属性】
技术研发人员：张根源，
申请(专利权)人：浙江传媒学院，
类型：发明
国别省市：浙江;33