物体表面反射属性提取方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种物体表面反射属性提取方法，该方法中提出一种基于柏林噪声的合成数据集，生成具有低频和高频特征分布的纹理，支持数据集样本的生成，解决训练数据不足的问题，同时该方法基于柏林噪声进行样本数据的合成，可以表达出近似真实样本的数据集合，进一步提高了网络的泛化性；另外，该方法中还提出一种基于VGG‑19和U‑Net网络模型的自编码器网络结构，该网络对特征图进行直方图匹配，通过空洞卷积策略进行特征提取，结合弱监督和渲染技术对网络进行训练，对于提取的物体表面反射属性精度以及质量均实现了有效的提升。本申请还提供了一种物体表面反射属性提取装置、设备及一种可读存储介质，具有上述有益效果。

【技术实现步骤摘要】
物体表面反射属性提取方法、装置、设备及存储介质
本申请涉及图像处理
，特别涉及一种物体表面反射属性提取方法、装置、设备及一种可读存储介质。
技术介绍
真实物体的三维建模包括三维几何建模和表面反射属性建模。三维几何建模可以利用三维扫描仪进行数据收集，或通过美术工作者利用Maya、3DMax等专业的建模软件来进行模型制作。而物体的表面反射属性建模过程十分复杂，不同样本的表面反射属性不尽相同，在表面反射属性建模中存在着诸多难点，如由于输入图像的亮度分布不均匀、分辨率不足、图像细节模糊等因素都会影响生成结果的质量和准确性，如何稳定可靠地生成质量较高、图像细节不丢失的表面反射属性一直是研究难点。目前，对于表面反射属性建模研究的方法主要分为两类：一类是基于传统的数据驱动方法，另一类是基于深度学习的方法。其中，传统的获取物体表面反射属性的方法存在着诸多问题和局限性，例如需要特殊的专业采集仪器进行样本检测、采集过程过于专业和复杂以及不能实现参数化等。近些年来随着人工智能的不断发展，深度学习在三维重建、图像风格迁移、图像超分辨率增强本文档来自技高网...

【技术保护点】
1.一种物体表面反射属性提取方法，其特征在于，包括：/n确定目标物体的表面图像；/n对所述表面图像进行归一化处理；/n调用预训练的基于弱监督的自编码网络模型通过Tensorflow框架中空洞卷积操作函数对归一化处理后的所述表面图像进行特征提取，确定表面反射属性；其中，所述自编码网络模型以VGG-19与U-Net结合作为网络结构，根据具有低频和高频特征的无标签数据样本训练后得到；所述无标签数据样本根据基于柏林噪声合成的表面反射属性值生成，所述表面反射属性值包括：漫反射属性值、法线属性值、高光系数以及粗糙度。/n

【技术特征摘要】
1.一种物体表面反射属性提取方法，其特征在于，包括：
确定目标物体的表面图像；
对所述表面图像进行归一化处理；
调用预训练的基于弱监督的自编码网络模型通过Tensorflow框架中空洞卷积操作函数对归一化处理后的所述表面图像进行特征提取，确定表面反射属性；其中，所述自编码网络模型以VGG-19与U-Net结合作为网络结构，根据具有低频和高频特征的无标签数据样本训练后得到；所述无标签数据样本根据基于柏林噪声合成的表面反射属性值生成，所述表面反射属性值包括：漫反射属性值、法线属性值、高光系数以及粗糙度。


2.如权利要求1所述的物体表面反射属性提取方法，其特征在于，所述表面反射属性值的合成方法，包括：
调用二维柏林噪声函数生成平滑纹理特征以及锐利纹理特征；
将所述平滑纹理特征与所述锐利纹理特征进行混合，生成漫反射属性值。


3.如权利要求1所述的物体表面反射属性提取方法，其特征在于，所述表面反射属性值的合成方法，包括：
基于像素的强度将所述漫反射属性值转换为高度场信息；
将所述高度场信息进行归一化处理；
根据确定的全局比例因子对归一化处理后的所述高度场信息进行缩放；
通过离散微分将缩放后的所述高度场信息进行数据处理，生成法线属性值。


4.如权利要求1所述的物体表面反射属性提取方法，其特征在于，所述表面反射属性值的合成方法，包括：
调用随机生成数值函数生成随机数，作为所述高光系数以及所述粗糙度。


5.如权利要求1所述的物体表面反射属性提取方法，其特征在于，调用预训练的基于弱监督的自编码网络模型通过Tensorflow框架中空洞卷积操作函数对归一化处理后的所述表面图像进行特征提取，确定表面反射属性，包括：
确定各网络层待输入的特征图；
对所述特征图进行空洞卷积操作，得到膨胀化特征图；
将所述膨胀化特征图输入至所述网络层进行图像特征提取。


6.如权利要求1所...

【专利技术属性】
技术研发人员：王欣，王豫嵩，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22