学位论文 > 优秀研究生学位论文题录展示

基于神经网络的虚拟场景真实感图像重建

作　者: 李战委
导　师: 孙济洲
学　校: 天津大学
专　业: 计算机应用技术
关键词: 基于图像的建模和绘制广义回归神经网络动态场景重建虚拟现实真实感图像镜面反射漫反射
分类号: TP391.9
类　型: 博士论文
年　份: 2003年
下　载: 379次
引　用: 1次
阅　读: 论文下载

内容摘要

传统的计算机图形学在生成真实感图像上遇到了很大的障碍，这里主要有两个方面的原因，首先是因为物体的表面模型很难准确获取，其次是由于绘制过程计算比较复杂。基于图像的建模和绘制方法(IBMR)直接从原始输入图像来绘制新视点图像，因而能够快速准确地生成真实感图像，但这种技术还有许多有待研究的问题，其中包括如何重建动态场景图像和有镜面反射效果的图像，如何改变图像中物体的反射特性。现有的IBMR方法不能有效地实时重建光照条件变化的动态场景图像。本文从研究图像色彩与场景光照的关系入手，提出了一种生成虚拟光照下真实感图像的方法。由于同一个物体在不同光照条件下会反射出不同的颜色，利用神经网络找到颜色的变化规律，就可以从已有的图像推断得到在不同光照下的虚拟图像。这种方法算法简单，可以生成光照条件变化的动态场景图像，与其他技术相结合，可以进一步应用于实时的动态虚拟现实中。以往提出的IBMR方法不能准确重建具有明显镜面反射效果的新视点图像。而本文通过分析视点位置与图像颜色的关系提出了基于神经网络技术来重建虚拟视点位置图像的方法，这种重建方法只要少数几幅定标图像作为输入，而且算法也比较简单，并可以准确重建具有镜面效果的真实感图像。在图像重建中经常需要对场景中物体的表面特性作出调整，以取得不同的视觉效果。本文提出了分离图像的漫反射和镜面反射能量分布的方法，并对分离出来的图像重新分配漫反射和镜面反射能量的比例，实现了基于IBMR技术改变图像中物体的表面性质和重建具有不同反射特性的虚拟视点图像。由于使用已有的神经网络技术不能适应样本稀疏情况下输入向量与样本的距离的变化，基于广义回归神经网络(GRNNs)本文提出了一种新的模型，即增量叠加模型，并应用这种模型实现了虚拟光照条件下真实感图像的重建；这种模型还可以适用于任何样本分布不均或样本稀疏的问题。采用神经网络技术本文重建了虚拟场景的真实感图像，这是对图像重建方法的一种新的尝试，也开辟了一种新的解决问题的思路，同时以这种方法实现了虚拟视点和光照变化的动态场景图像的重建。本文基于GRNNs提出的模型是对神经网络技术的补充。

全文目录

目录  6-10
图表目录  10-13
第一章绪论  13-19
  1.1 本文的背景和意义  13-16
  1.2 本文的工作和创新  16-17
  1.3 论文结构  17-19
第二章相关背景知识  19-45
  2.1 摄像机定标  19-27
    2.1.1 针孔模型  20-22
    2.1.2 摄像机内部参数的确定  22-24
      2.1.2.1 计算摄像机内部参数  22-23
      2.1.2.2 求解摄像机的径向畸变系数  23-24
      2.1.2.3 求精摄像机内部参数  24
    2.1.3 场景图像的摄像机外部参数的确定  24-27
      2.1.3.1 基础矩阵的求解  24-25
      2.1.3.2 摄像机外部参数的求解  25-27
  2.2 基于图像的建模和绘制技术  27-38
    2.2.1 基于图像的造型技术  27-32
      2.2.1.1 立体视觉方法  27-30
      2.2.1.2 Volumetric模型重建  30-32
    2.2.2 基于图像的绘制技术  32-38
      2.2.2.1 无需知道场景几何模型的绘制方法  32-35
      2.2.2.2 在已知场景的隐含的几何模型的基础上的绘制方法  35
      2.2.2.3 在恢复的几何模型的基础上的绘制方法  35-38
  2.3 神经网络  38-45
    2.3.1 感知器  38-39
    2.3.2 线性神经网络  39
    2.3.3 BP网络  39-40
    2.3.4 径向基函数网络  40-41
    2.3.5 自组织竞争人工神经网络  41-42
    2.3.6 Hopfield网络和Elman网络  42-45
第三章基于广义回归神经网络的增量叠加模型  45-55
  3.1 广义回归神经网络  45-49
  3.2 动态调整核宽度  49-52
    3.2.1 固定的核宽度  49
    3.2.2 动态调整核宽度  49-52
  3.3 增量叠加模型  52-55
    3.3.1 取固定的核宽度  53
    3.3.2 取变化的核宽度  53-55
第四章重建虚拟光照条件下真实感图像  55-81
  4.1 图像颜色与光照的关系  55-60
  4.2 用神经网络的方法计算虚拟光照图像  60-80
    4.2.1 用线性神经网络重建虚拟图像  61-62
    4.2.2 用固定核宽度的GRNNs重建虚拟图像  62-65
    4.2.3 采用变化核宽度的方法重建虚拟图像  65-66
    4.2.4 采用动态调整核宽度的方法重建虚拟图像  66-71
      4.2.4.1 分析指数α与输出误差的关系  66-68
      4.2.4.2 通过设定指数α和常数C来调整核宽度  68-71
    4.2.5 采用增量叠加模型重建虚拟图像  71-80
      4.2.5.1 算法描述  71
      4.2.5.2 采用固定核宽度的增量叠加模型重建虚拟图像  71-73
      4.2.5.3 采用动态核宽度的增量叠加模型重建虚拟图像  73-75
      4.2.5.4 应用示例  75-80
  4.3 应用  80-81
第五章重建具有镜面效果的虚拟视点真实感图像  81-94
  5.1 图像颜色与视点位置的关系  81-83
  5.2 摄像机定标并恢复场景模型  83-87
    5.2.1 定标内部参数  83-84
    5.2.2 定标外部参数  84-85
    5.2.3 恢复场景模型  85-87
  5.3 重建具有镜面效果的虚拟视点真实感图像  87-90
    5.3.1 算法原理  87
    5.3.2 实验验证  87-90
  5.4 重建结果分析  90-93
  5.5 应用  93-94
第六章分离图像的漫反射和镜面反射能量分布  94-112
  6.1 分离图像的漫反射和镜面反射能量分布  94-102
    6.1.1 光照模型  95-96
    6.1.2 图像上的能量分布  96-97
    6.1.3 分离图像的漫反射和镜面反射能量分布算法原理  97-98
    6.1.4 实验验证  98-102
      6.1.4.1 摄像机定标并恢复场景模型  98-101
      6.1.4.2 实验结果  101-102
  6.2 重建具有不同的镜面反射和漫反射能量分布的图像  102-106
    6.2.1 分析分离出来的图像上的能量分布  102-103
    6.2.2 实验结果  103-106
  6.3 重建表面特性发生了改变的虚拟视点图像  106-111
    6.3.1 重建改变了能量分布的虚拟视点漫反射图像  106-107
      6.3.1.1 改变漫反射图像的整体反射特性  106
      6.3.1.2 重建漫反射图像  106-107
    6.3.2 重建光亮度变化了的虚拟视点的镜面反射图像  107-108
      6.3.2.1 改变镜面反射图像的光亮度  107-108
      6.3.2.2 重建镜面反射图像  108
    6.3.3 合成虚拟视点漫反射和镜面反射能量分布图像  108
    6.3.4 重建结果分析  108-111
  6.4 应用  111-112
第七章结论和展望  112-114
参考资料  114-120
发表论文和参加科研情况说明  120-122
后记  122-123

基于神经网络的虚拟场景真实感图像重建

内容摘要

全文目录

相似论文