【技术实现步骤摘要】
本专利技术涉及降噪图像纹理缺失识别的，尤其涉及一种基于计算机视觉处理纹理显示缺失ai识别方法及存储介质。
技术介绍
1、在多媒体设备(例如：部分投影设备或者虚拟现实设备)显示图像领域，纹理(texture)通常是指低对比度的细节。举例来说，一个图像中所含有的很多细节或叫做纹理。众所周知，相机原则上要能够重现这些细节。
2、对于相机来说，其拍摄的图片以及图像往往具有很高的色彩以及纹理细节体现能力，但是研究发现，如果将相机拍摄的图片放到特殊的媒体设备内进行显示就会引发如下问题：如果使用上述媒体设备(例如：部分投影设备或者虚拟现实设备)要进行api应用调用相机拍摄的图片，往往需要配合使用场景对图片进行降噪处理才能适应媒体设备(例如虚拟现实设备)的显示要求。
3、但是研究人员进一步发现，如果降噪过度则会产生负面影响，相机拍摄的照片或称图片，其个别图片往往存在强光区域(例如拍摄照片中的地板反射面区域，光照金属表面产生的反光区域、甚至是拍摄照片中的人体皮肤反光区域等等)，强光区域本身其色彩饱和度比较低，经过严重的过度降噪处理会进一步导致色彩失真；例如：对图像进行过度降噪处理时通常会导致强光区域的纹理色彩被覆盖。纹理色彩被覆盖可以认为是图像由于过度降噪原因丢失了细节，导致白色(接近白色)色域覆盖现象，即严重的纹理色彩被覆盖(或称色域覆盖缺失)。
4、在进行渲染降噪处理时，对于强光区域降噪力度应当适度进行。但是如果针对强光区域进行过度的降噪(合理降噪一般不会出现问题)，输出的降噪纹理将会出现大片纯色区域(即色
5、但是强光区域的降噪过度不可避免，然而如何精准识别强光区域的降噪过度的图像区域从而对降噪过度区域进行重新渲染的至关重要，本领域技术人员急需解决的技术问题。
技术实现思路
1、本专利技术的目的在于克服上述已有技术的不足，提出了一种基于计算机视觉处理纹理显示缺失ai识别方法及存储介质，实现了进行色域覆盖缺失区域的精准识别处理。
2、本专利技术提供了一种基于计算机视觉处理纹理显示缺失ai识别方法及存储介质，包括如下操作步骤：
3、对整张降噪图像进行分割划分形成矩阵式排列的图像分块，并对整张降噪图像上的每个图像分块进行图块号编辑处理；
4、渲染控制器发送遍历识别控制指令，使渲染控制器对所述降噪图像进行图像分块上的识别处理；
5、在对所述降噪图像进行图像分块上的识别处理时，对整个降噪图像上的强光区域进行图像采集，从而获取针对强光区域的多个图像分块的目标纹理图像；
6、对当前的强光区域的图像分块进行进一步的纹理识别处理，从多个目标纹理图像中筛选出存在第一色域覆盖缺失的目标纹理图像所属的图像分块作为目标有效图像分块；基于所有的目标有效图像分块构建第一缺失图像分块集合；
7、对第一缺失图像分块集合中所述目标有效图像分块的图块号识别，继续对当前的目标有效图像分块中处于边缘的图像分块进行细节缺失纹理提取并确定目标有效图像分块的边界信息；根据当前目标有效图像分块的图块号与相邻的目标有效图像分块的图块号进行边界信息拼接，判断是否拼接成功，若拼接成功，则确定拼接后的相邻两个目标有效图像分块当前缺失纹理的边界信息，遍历上述第一缺失图像分块集合实现对当前缺失纹理的边界信息最终确定。
8、较佳地，对当前的强光区域的图像分块进行进一步的纹理识别处理，从多个目标纹理图像中筛选出存在第一色域覆盖缺失的目标纹理图像所属的图像分块作为目标有效图像分块；基于所有的目标有效图像分块构建第一缺失图像分块集合，具体包括如下操作：
9、从多个目标纹理图像内，筛选多个目标纹理图像中的色彩饱和度数值低于对应目标纹理图像处的标准降噪比例后的色彩饱和度数值的目标纹理作为初选目标纹理；
10、基于上述初选目标纹理的筛选结果输入预先设立的关联色域覆盖缺失区域预测模型，计算出当前色域覆盖缺失区域在关联色域的覆盖级别差，计算出当前色域覆盖缺失区域在关联色域的覆盖级别差，根据当前色域覆盖缺失区域的覆盖率级别以及当前色域覆盖缺失区域在关联色域的覆盖级别差确定具有第一色域覆盖缺失的目标纹理图像；
11、将筛选出存在所述第一色域覆盖缺失的目标纹理图像所属的图像分块作为目标有效图像分块；
12、将所有的目标有效图像分块加入第一缺失图像分块集合，从而构建第一缺失图像分块集合。
13、较佳地，基于上述初选目标纹理的筛选结果输入预先设立的关联色域覆盖缺失区域预测模型，计算出当前色域覆盖缺失区域在关联色域的覆盖级别差，包括：
14、基于上述初选目标纹理的筛选结果是指获取初选目标纹理的色域覆盖缺失区域属性信息，准备将其初选目标纹理的色域覆盖缺失区域属性信息作为关联色域覆盖缺失区域预测模型的输入信息；
15、调用所述的关联色域覆盖缺失区域预测模型，利用将初选目标纹理的色彩饱和度数值作为输入、色域覆盖缺失区域中心处间距作为输入、区域亮度级别差作为输入，在所述关联色域覆盖缺失区域预测模型输出对应的关联色域覆盖缺失区域的覆盖级别差。
16、较佳地，所述关联色域覆盖缺失区域预测模型的公式表示如下：
17、
18、其中，m1为预设的缺失扩大系数；
19、当前初选目标纹理中记载有q个色域覆盖缺失区域，q为自然数；
20、表示第q个色域覆盖缺失区域所覆盖的第i个色域区域内占据的缺失区域；
21、表示第q个色域覆盖缺失区域所覆盖的第j个色域区域内占据的缺失区域；
22、表示与之间的色域覆盖缺失区域中心处间距；
23、表示缺失区域的区域亮度级别差；
24、表示第q个色域覆盖缺失区域相对第i个色域区域的覆盖率级别；
25、表示第q个色域覆盖缺失区域相对第j个色域区域的预测的覆盖级别差。
26、较佳地，所述初选目标纹理的色域覆盖缺失区域属性信息，包括：色域覆盖缺失区域中心处间距、缺失区域的区域亮度级别差以及缺失扩大系数和覆盖率级别。
27、较佳地，还包括针对严重色域覆盖缺失区域实施点区域提取以及重降噪处理，具体包括如下操作步骤：
28、确定当前第j个色域区域内各个的色域覆盖缺失区域的覆盖级别；对当前第j个色域区域内各个的色域覆盖缺失区域的覆盖级别进行列举排序，确定当前第j个色域区域内的覆盖级别为严重覆盖的色域覆盖缺失区域为第一目标区域；
29、将所述第一目标区域发送给渲染控制器；渲染控制器对当前第一目标区域进行重降噪处理。
30、较佳地，还包括针对严重色域覆盖缺失区域实施片区域提取以及重降噪处理，包括如下操作步骤：
31、对关联的多个当前色域区域内第q个色域覆盖缺失区域的覆盖级别均为严重覆盖的进行筛选；将筛选的上述第q个色域覆盖缺失区域的覆盖级别均为严重覆盖的多个相邻的当前色域区域形成整体区域为第二目标区域：
3本文档来自技高网...
【技术保护点】
1.一种基于计算机视觉处理纹理显示缺失AI识别方法，其特征在于，包括如下操作步骤：
2.如权利要求1的基于计算机视觉处理纹理显示缺失AI识别方法，其特征在于，对当前的强光区域的图像分块进行进一步的纹理识别处理，从多个目标纹理图像中筛选出存在第一色域覆盖缺失的目标纹理图像所属的图像分块作为目标有效图像分块；基于所有的目标有效图像分块构建第一缺失图像分块集合，具体包括如下操作：
3.如权利要求2的基于计算机视觉处理纹理显示缺失AI识别方法，其特征在于，基于上述初选目标纹理的筛选结果输入预先设立的关联色域覆盖缺失区域预测模型，计算出当前色域覆盖缺失区域在关联色域的覆盖级别差，包括：
4.如权利要求3的基于计算机视觉处理纹理显示缺失AI识别方法，其特征在于，所述关联色域覆盖缺失区域预测模型的公式表示如下：
5.根据权利要求3所述的方法，其特征在于，还包括针对严重色域覆盖缺失区域实施点区域提取以及重降噪处理，具体包括如下操作步骤：
6.根据权利要求3所述的方法，其特征在于，还包括针对严重色域覆盖缺失区域实施片区域提取以及重降噪处理
7.如权利要求1的基于计算机视觉处理纹理显示缺失AI识别方法，其特征在于，所述继续对当前的目标有效图像分块中处于边缘的图像分块进行细节缺失纹理提取，包括：
8.如权利要求7的基于计算机视觉处理纹理显示缺失AI识别方法，其特征在于，
9.如权利要求8的基于计算机视觉处理纹理显示缺失Al识别方法，其特征在于，
10.一种存储介质，其特征在于，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-8任一项所述的一种基于计算机视觉处理纹理显示缺失Al识别方法的步骤。
...【技术特征摘要】
1.一种基于计算机视觉处理纹理显示缺失ai识别方法，其特征在于，包括如下操作步骤：
2.如权利要求1的基于计算机视觉处理纹理显示缺失ai识别方法，其特征在于，对当前的强光区域的图像分块进行进一步的纹理识别处理，从多个目标纹理图像中筛选出存在第一色域覆盖缺失的目标纹理图像所属的图像分块作为目标有效图像分块；基于所有的目标有效图像分块构建第一缺失图像分块集合，具体包括如下操作：
3.如权利要求2的基于计算机视觉处理纹理显示缺失ai识别方法，其特征在于，基于上述初选目标纹理的筛选结果输入预先设立的关联色域覆盖缺失区域预测模型，计算出当前色域覆盖缺失区域在关联色域的覆盖级别差，包括：
4.如权利要求3的基于计算机视觉处理纹理显示缺失ai识别方法，其特征在于，所述关联色域覆盖缺失区域预测模型的公式表示如下：
5.根据权利要求3所...
【专利技术属性】
技术研发人员：柴栋全，文捷，
申请(专利权)人：昆明爬山虎文化传播有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。