[发明专利]一种基于矩阵行列采样和深度学习进行多光源渲染的方法

说明书

本发明公开了一种基于矩阵行列采样和深度学习进行多光源渲染的方法，包括：步骤1，根据三维场景建立光照矩阵；步骤2，从光照矩阵中随机抽取若干行，得到一次随机缩减矩阵；步骤3，在一次随机缩减矩阵中随机抽取若干行，得到二次随机缩减矩阵；步骤4，针对不同视点，分别绘制一次随机缩减矩阵图像和二次随机缩减矩阵图像；步骤5，利用一次随机缩减矩阵图像和二次随机缩减矩阵图像对训练深度神经网络模型；步骤6，在实时绘制高真实感图像时，将绘制的二次随机缩减矩阵图像输入训练好的深度神经网络模型，输出得到完整的高真实感图像。本发明提供的多光源渲染的方法，利用训练好的深度神经网络模型可以快速准确进行多光源渲染。

技术领域

本发明涉及计算机图像处理领域，具体涉及一种基于矩阵行列采样和深度学习进行多光源渲染的方法。

背景技术

对具有间接光照，高动态范围环境光照，且具有多个直接光源的复杂场景进行渲染是一项很有挑战的工作。研究表明，这类问题可以通过转化为多光源问题来获得解决，即所有光源可以被转化成点光源的集合，从而将间接光照的渲染问题转化成一个多点光源问题。使用数以千计的点光源进行直接渲染显然是非常困难的。Lightcuts框架提供了一种可扩展的方法来解决多点光源问题，利用可见性剔除算法通过基于CPU的光线追踪器可以在几分钟内完成计算。

在实际应用中，光源与被照射物体存在相对位置关系，需要针对光源与物体的位置关系进行渲染。在交互场景下，比如电影或结构设计过程中，需要及时响应光源与物体的相对位置变化，进行实时渲染，这会带来极大的运算量。现有方法是通过预处理来解决这个问题，即事先针对各种位置关系完成渲染，在交互阶段直接读取渲染结果。这样把计算总量进行了平摊。但是这种方法有两个重大缺陷：1、占用大量内存存储预处理数据。2、使用这种方法的场景，只有光源或物体单方面可以活动。这大大限制了该方法的应用范围。

GPU作为专门处理图像的硬件，内部具有加速能力，包括阴影映射算法以及着色器等。为图形渲染计算提供计算加速及并行处理能力。使用GPU进行渲染处理，可以有效降低CPU开销，同时提升渲染计算效率和效果。但是上述算法仍然还是比较耗时，本发明利用深度学习网络来学习对部分绘制图像的补全，进而达到整幅图像绘制的目的。

发明内容

本发明提供了一种基于矩阵行列采样和深度学习进行多光源渲染的方法，将复杂的三维场景下的多光源渲染问题转化为训练深度神经网络模型的问题，利用训练好的深度神经网络模型可以快速准确进行多光源渲染。

一种基于矩阵行列采样和深度学习进行多光源渲染的方法，包括：

步骤1，根据三维场景建立光照矩阵，该光照矩阵中，每一列表示一个光源照射的所有采样点，每一行表示一个采样点上的所有光源照射；

步骤2，从光照矩阵中随机抽取若干行，得到一次随机缩减矩阵；

步骤3，在一次随机缩减矩阵中随机抽取若干行，得到二次随机缩减矩阵；

步骤4，针对不同视点，分别绘制一次随机缩减矩阵图像和二次随机缩减矩阵图像；

步骤5，利用一次随机缩减矩阵图像和二次随机缩减矩阵图像对训练深度神经网络模型；

步骤6，在实时绘制高真实感图像时，首先绘制二次随机缩减矩阵图像，然后将二次随机缩减矩阵图像输入训练好的深度神经网络模型，输出得到完整的高真实感图像。

一次随机缩减矩阵中的行数足够多时，一次随机缩减矩阵图像可以认为是整个三维场景完全绘制得到的图像，当深度神经网络模型训练好之后，只要将二次缩减矩阵图像输入到训练好的深度神经网络模型，就可以得到一次随机缩减矩阵图像，也即得到整个三维场景完全绘制得到的图像，大大提高绘制的效率。

作为优选，步骤4中，绘制一次随机缩减矩阵图像的步骤的具体过程如下：