[go: up one dir, main page]

CN114708375B - 纹理映射方法、系统、计算机及可读存储介质 - Google Patents

纹理映射方法、系统、计算机及可读存储介质 Download PDF

Info

Publication number
CN114708375B
CN114708375B CN202210627375.5A CN202210627375A CN114708375B CN 114708375 B CN114708375 B CN 114708375B CN 202210627375 A CN202210627375 A CN 202210627375A CN 114708375 B CN114708375 B CN 114708375B
Authority
CN
China
Prior art keywords
texture
grid
triangular
image
triangular surface
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210627375.5A
Other languages
English (en)
Other versions
CN114708375A (zh
Inventor
周利
曾江佑
吕伟
朱林生
于雪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangxi Booway New Technology Co ltd
Original Assignee
Jiangxi Booway New Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangxi Booway New Technology Co ltd filed Critical Jiangxi Booway New Technology Co ltd
Priority to CN202210627375.5A priority Critical patent/CN114708375B/zh
Publication of CN114708375A publication Critical patent/CN114708375A/zh
Application granted granted Critical
Publication of CN114708375B publication Critical patent/CN114708375B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T15/00—3D [Three Dimensional] image rendering
    • G06T15/04—Texture mapping
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
    • G06T17/205—Re-meshing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Graphics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Image Generation (AREA)

Abstract

本发明提供了一种纹理映射方法、系统、计算机及可读存储介质，该方法包括对每一网格三角面进行平面聚类；分别计算出每一网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并列出对应的优化能量方程；通过优化能量方程优化得到对应的纹理块；根据每一纹理块的边界上的顶点颜色确定出每一纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程；根据预设线性方程融合每一纹理块的边界颜色；将融合过后的各个纹理块拼接成纹理图片，并输出带纹理图片的目标网格模型。通过上述方式能够有效的消除大规模复杂模型纹理映射的失真、色差问题，能够实现更真实的三维模型重建。

Description

纹理映射方法、系统、计算机及可读存储介质
技术领域
本发明涉及数据处理技术领域，特别涉及一种纹理映射方法、系统、计算机及可读存储介质。
背景技术
随着纹理映射是建立三维物体表面与二维图像空间像素坐标对应关系的过程。在三维重建中，纹理映射通过用户采集的多帧集真实的自然场景照片作为二维纹理数据，但每一帧图像仅能捕获到自然场景的一个局部区域，因此需要结合多帧图像来创建三维模型的完整纹理贴图。
然而，现有技术的纹理映射大部分只能处理较为平滑的原始网格模型或者中小规模的图像数据，并不能处理显著的颜色差异，并且没有消除因不同时间拍摄图像，而导致纹理部分区域图像不一致的现象。
发明内容
基于此，本发明的目的是提供一种纹理映射方法、系统、计算机及可读存储介质，以解决现有技术的纹理映射生成模型纹理有明显颜色差异、纹理接缝处难以平滑以及区域纹理图像不一致的问题。
本发明实施例第一方面提出了一种纹理映射方法，所述方法包括：
获取输入的原始网格模型以及图像序列，所述原始网格模型包括若干网格三角面，所述图像序列包括若干图像列表；
基于预设空间投影以及深度测试对每一所述网格三角面分别建立出对应的候选图像列表，并对每一所述网格三角面进行平面聚类，以使被聚类的网格三角面属于同一近似平面；
分别计算出每一所述网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并将相邻所述网格三角面的夹角和所属平面聚类作为约束条件，以列出对应的优化能量方程；
通过所述优化能量方程优化得到每一所述网格三角面的最优纹理图像，并将最优纹理图像相同、且相邻的网格三角面聚类在一起，以形成对应的纹理块；
根据每一所述纹理块的边界上的顶点颜色确定出每一所述纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程；
根据所述稀疏线性方程获得每一所述纹理块内部的网格三角面的投影区域内的各个像素之间的颜色差异，并更新各个所述像素的颜色以调整每一所述纹理块之间的色差，且根据预设线性方程融合每一所述纹理块的边界颜色；
将融合过后的各个所述纹理块拼接成纹理图片，并输出带纹理图片的目标网格模型。
本发明的有益效果是：通过首先获取到网格三角面以及对应的候选图像列表，进一步的，基于预设空间投影以及深度测试对每一网格三角面分别建立出对应的候选图像列表，并对每一网格三角面进行平面聚类，以使被聚类的网格三角面属于同一近似平面；再分别计算出每一网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并将相邻网格三角面的夹角和所属平面聚类作为约束条件，以列出对应的优化能量方程；通过优化能量方程优化得到每一网格三角面的最优纹理图像，并将最优纹理图像相同、且相邻的网格三角面聚类在一起，以形成对应的纹理块；根据每一纹理块的边界上的顶点颜色确定出每一纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程；根据稀疏线性方程获得每一纹理块内部的网格三角面的投影区域内的各个像素之间的颜色差异，并更新各个像素的颜色以调整每一纹理块之间的色差，且根据预设线性方程融合每一纹理块的边界颜色；将融合过后的各个纹理块拼接成纹理图片，并输出带纹理图片的目标网格模型。通过上述方式能够有效的约束平面上纹理的一致性，同时优化了能量函数，从而有效的消除了大规模复杂模型纹理映射的失真、色差问题，进而能够实现更真实的三维模型重建。
优选的，所述基于预设空间投影以及深度测试对每一所述网格三角面分别建立出对应的候选图像列表的步骤包括：
设定各个所述网格三角面的序列
Figure 408630DEST_PATH_IMAGE001
，以及输入的航拍图像序列
Figure 965513DEST_PATH_IMAGE002
，其中，n表示所述网格三角面的个数，m表示航拍图像的数量；
通过所述航拍图像对应相机的变换矩阵计算所述网格三角面的序列的顶点在所述航拍图像序列上的像素位置，以获得所述网格三角面在所述航拍图像上的投影区域S计算
Figure 498126DEST_PATH_IMAGE003
，其中，
Figure 759343DEST_PATH_IMAGE004
表示所述网格三角面Fi在图像Ij上通过所述深度测试的像素数量，Fi代表第i个网格三角面片面，Ij代表第j个航拍图像；
剔除各个所述网格三角面对应的候选图像列表中的异常图像。
优选的，所述对每一所述网格三角面进行平面聚类，以使被聚类的网格三角面属于同一近似平面的步骤包括：
当获取到所述原始网格模型时，基于预设网格双边滤波过滤算法对所述原始网格模型M进行表面平滑降噪处理，以得到原始网格模型Ms；
基于区域生长对所述原始网格模型Ms进行聚类，以得到所述原始网格模型Ms中的网格三角面所属平面。
优选的，所述通过所述优化能量方程优化得到每一所述网格三角面的最优纹理图像，并将最优纹理图像相同、且相邻的网格三角面聚类在一起，以形成对应的纹理块的步骤包括：
根据所述网格三角面Fi和与其对应的航拍图像序列Im构建出加权的无向图
Figure 693801DEST_PATH_IMAGE005
，并定义出对应的能量方程，其中，V表示所述无向图中的节点，所述节点包括公共节点以及终端节点，所述公共节点的数量与所述网格三角面的数量相等，且所述节点与所述网格三角面一一对应，所述终端节点有m个，所述终端节点对应于所述航拍图像，并用所述航拍图像在序列Im中索引作为标签表示，E表示所述无向图中所述节点相连的边，其中，连接所述终端节点与所述公共节点的边为
Figure 156006DEST_PATH_IMAGE006
，表示所述网格三角面在航拍图像上的可见性，所述公共节点之间的边为
Figure 910335DEST_PATH_IMAGE007
，表示相邻所述网格三角面的拓扑关系，其中，所述能量方程的表达式为：
Figure 240823DEST_PATH_IMAGE008
其中，E data 表示所述网格三角面Fi在图像I l（i） 的投影区域的纹理清晰度，E smooth 表示相邻所述网格三角面来自不同图像的投影区域的一致性，Fi，Fj为相邻网格三角面，li，lj分别表示Fi，Fj的可见图像标签，pi，pj表示Fi，Fj的平面聚类标签；
基于循环信念传播算法按照所述加权的无向图
Figure 29787DEST_PATH_IMAGE009
进行能量消息传递，以获得每一所述网格三角面的最优纹理图像标签；
根据每一所述网格三角面的最优纹理图像标签生成对应的纹理块。
优选的，所述将融合过后的各个所述纹理块拼接成纹理图片，并输出带纹理图片的目标网格模型的步骤包括：
对每个所述纹理块创建出与其纹理图像的尺寸相同的纹理遮罩
Figure 662894DEST_PATH_IMAGE010
，并将所述纹理块中的网格三角面在所述纹理图像的投影区域设置为可见
Figure 730950DEST_PATH_IMAGE011
；
通过检测所述纹理遮罩
Figure 537232DEST_PATH_IMAGE012
中的二值图像连通分量，以获得所述纹理遮罩
Figure 118386DEST_PATH_IMAGE013
中的连通分量的包围框矩形
Figure 984711DEST_PATH_IMAGE014
；
根据输入的所述包围框矩形
Figure 775950DEST_PATH_IMAGE015
以及预设算法将所述纹理图像的矩形区域中的像素打包至新的纹理图像中，并计算所述网格三角面的纹理坐标，以生成对应的纹理图集。
本发明实施例第二方面提出了一种纹理映射系统，所述系统包括：
获取模块，用于获取输入的原始网格模型以及图像序列，所述原始网格模型包括若干网格三角面，所述图像序列包括若干图像列表；
聚类模块，用于基于预设空间投影以及深度测试对每一所述网格三角面分别建立出对应的候选图像列表，并对每一所述网格三角面进行平面聚类，以使被聚类的网格三角面属于同一近似平面；
计算模块，用于分别计算出每一所述网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并将相邻所述网格三角面的夹角和所属平面聚类作为约束条件，以列出对应的优化能量方程；
优化模块，用于通过所述优化能量方程优化得到每一所述网格三角面的最优纹理图像，并将最优纹理图像相同、且相邻的网格三角面聚类在一起，以形成对应的纹理块；
构建模块，用于根据每一所述纹理块的边界上的顶点颜色确定出每一所述纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程；
融合模块，用于根据所述稀疏线性方程获得每一所述纹理块内部的网格三角面的投影区域内的各个像素之间的颜色差异，并更新各个所述像素的颜色以调整每一所述纹理块之间的色差，且根据预设线性方程融合每一所述纹理块的边界颜色；
输出模块，用于将融合过后的各个所述纹理块拼接成纹理图片，并输出带纹理图片的目标网格模型。
其中，上述纹理映射系统中，所述聚类模块具体用于：
设定各个所述网格三角面的序列
Figure 385923DEST_PATH_IMAGE001
，以及输入的航拍图像序列
Figure 352742DEST_PATH_IMAGE002
，其中，n表示所述网格三角面的个数，m表示航拍图像的数量；
通过所述航拍图像对应相机的变换矩阵计算所述网格三角面的序列的顶点在所述航拍图像序列上的像素位置，以获得所述网格三角面在所述航拍图像上的投影区域S计算
Figure 186705DEST_PATH_IMAGE003
，其中，
Figure 668502DEST_PATH_IMAGE003
表示所述网格三角面Fi在图像Ij上通过所述深度测试的像素数量，Fi代表第i个网格三角面片面，Ij代表第j个航拍图像；
剔除各个所述网格三角面对应的候选图像列表中的异常图像。
其中，上述纹理映射系统中，所述聚类模块还具体用于：
当获取到所述原始网格模型时，基于预设网格双边滤波过滤算法对所述原始网格模型M进行表面平滑降噪处理，以得到原始网格模型Ms；
基于区域生长对所述原始网格模型Ms进行聚类，以得到所述原始网格模型Ms中的网格三角面所属平面。
其中，上述纹理映射系统中，所述优化模块具体用于：
根据所述网格三角面Fi和与其对应的航拍图像序列Im构建出加权的无向图
Figure 754270DEST_PATH_IMAGE005
，并定义出对应的能量方程，其中，V表示所述无向图中的节点，所述节点包括公共节点以及终端节点，所述公共节点的数量与所述网格三角面的数量相等，且所述节点与所述网格三角面一一对应，所述终端节点有m个，所述终端节点对应于所述航拍图像，并用所述航拍图像在序列Im中索引作为标签表示，E表示所述无向图中所述节点相连的边，其中，连接所述终端节点与所述公共节点的边为
Figure 700229DEST_PATH_IMAGE006
，表示所述网格三角面在航拍图像上的可见性，所述公共节点之间的边为
Figure 377198DEST_PATH_IMAGE007
，表示相邻所述网格三角面的拓扑关系，其中，所述能量方程的表达式为：
Figure 283974DEST_PATH_IMAGE008
其中，E data 表示所述网格三角面Fi在图像I l（i） 的投影区域的纹理清晰度，E smooth 表示相邻所述网格三角面来自不同图像的投影区域的一致性，Fi，Fj为相邻网格三角面，li，lj分别表示Fi，Fj的可见图像标签，pi，pj表示Fi，Fj的平面聚类标签；
基于循环信念传播算法按照所述加权的无向图
Figure 235750DEST_PATH_IMAGE009
进行能量消息传递，以获得每一所述网格三角面的最优纹理图像标签；
根据每一所述网格三角面的最优纹理图像标签生成对应的纹理块。
其中，上述纹理映射系统中，所述输出模块具体用于：
对每个所述纹理块创建出与其纹理图像的尺寸相同的纹理遮罩
Figure 272101DEST_PATH_IMAGE016
，并将所述纹理块中的网格三角面在所述纹理图像的投影区域设置为可见
Figure 651130DEST_PATH_IMAGE017
；
通过检测所述纹理遮罩
Figure 779623DEST_PATH_IMAGE018
中的二值图像连通分量，以获得所述纹理遮罩
Figure 269510DEST_PATH_IMAGE019
中的连通分量的包围框矩形
Figure 924483DEST_PATH_IMAGE020
；
根据输入的所述包围框矩形
Figure 677675DEST_PATH_IMAGE021
以及预设算法将所述纹理图像的矩形区域中的像素打包至新的纹理图像中，并计算所述网格三角面的纹理坐标，以生成对应的纹理图集。
本发明实施例第三方面提出了一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上面所述的纹理映射方法。
本发明实施例第四方面提出了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上面所述的纹理映射方法。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例提供的纹理映射方法的流程图；
图2为本发明第三实施例提供的纹理映射系统的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
现有技术的纹理映射大部分只能处理较为平滑的原始网格模型或者中小规模的图像数据，并不能处理显著的颜色差异，并且没有消除因不同时间拍摄图像，而导致纹理部分区域图像不一致的现象。
请参阅图1，所示为本发明第一实施例提供的纹理映射方法，本实施例提供的纹理映射方法能够有效的约束平面上纹理的一致性，同时优化了能量函数，从而有效的消除了大规模复杂模型纹理映射的失真、色差问题，进而能够实现更真实的三维模型重建。
具体的，本实施例提供的纹理映射方法具体包括以下步骤：
步骤S10，获取输入的原始网格模型以及图像序列，所述原始网格模型包括若干网格三角面，所述图像序列包括若干图像列表；
具体的，在本实施例中，首先需要说明的是，本实施例提供的纹理映射方法首先需要获取到待处理图片中的原始网格模型以及图像序列，其中，上述原始网格模型包括若干网格三角面，上述图像序列包括若干图像列表。
步骤S20，基于预设空间投影以及深度测试对每一所述网格三角面分别建立出对应的候选图像列表，并对每一所述网格三角面进行平面聚类，以使被聚类的网格三角面属于同一近似平面；
进一步的，在本步骤中，需要说明的是，本实施例提供的纹理映射方法会预先设置好空间投影以及深度测试程序，当通过上述步骤获取到原始网格模型以及图像序列后，本步骤会基于上述空间投影以及深度测试对每一网格三角面分别建立出对应的候选图像列表，并对每一网格三角面进行平面聚类，以使被聚类的网格三角面属于同一近似平面。
步骤S30，分别计算出每一所述网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并将相邻所述网格三角面的夹角和所属平面聚类作为约束条件，以列出对应的优化能量方程；
更进一步的，在本步骤中，需要说明的是，本步骤还会进一步计算出每个网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并将相邻的网格三角面的夹角和所属平面聚类作为约束条件，以列出对应的优化能量方程。本步骤的目的在于列出优化能量方程，以便于后续步骤对图像数据的优化处理。
步骤S40，通过所述优化能量方程优化得到每一所述网格三角面的最优纹理图像，并将最优纹理图像相同、且相邻的网格三角面聚类在一起，以形成对应的纹理块；
进一步的，在本步骤中，需要说明的是，当通过上述步骤获取到优化能量方程后，本步骤会通过该优化能量方程对上述步骤S30中的每个网格三角面进行优化处理，以得到每一网格三角面的最优纹理图像，并将最优纹理图像相同、且相邻的网格三角面聚类在一起，以形成对应的纹理块。
步骤S50，根据每一所述纹理块的边界上的顶点颜色确定出每一所述纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程；
当通过上述步骤将若干个网格三角面转换成对应的若干个纹理块之后，本步骤会立即根据每一纹理块的边界上的顶点颜色确定出每一纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程。
步骤S60，根据所述稀疏线性方程获得每一所述纹理块内部的网格三角面的投影区域内的各个像素之间的颜色差异，并更新各个所述像素的颜色以调整每一所述纹理块之间的色差，且根据预设线性方程融合每一所述纹理块的边界颜色；
在构建出稀疏线性方程的基础上，本步骤会进一步根据该稀疏线性方程获得每一纹理块内部的网格三角面的投影区域内的各个像素之间的颜色差异，并更新各个像素的颜色以调整每一纹理块之间的色差，且根据预设线性方程融合每一纹理块的边界颜色，从而能够完成对各个纹理块的处理。
步骤S70，将融合过后的各个所述纹理块拼接成纹理图片，并输出带纹理图片的目标网格模型。
最后，在本步骤中，需要说明的是，在上述步骤S60的基础上，本步骤会进一步将完成融合处理的各个纹理快最终拼接成对应的纹理图片，并输出带纹理图片的目标网格模型。
需要说明的是，上述的实施过程只是为了说明本申请的可实施性，但这并不代表本申请的纹理映射方法只有上述唯一一种实施流程，相反的，只要能够将本申请的纹理映射方法实施起来，都可以被纳入本申请的可行实施方案。
综上，本发明上述实施例当提供的纹理映射方法能够有效的约束平面上纹理的一致性，同时优化了能量函数，从而有效的消除了大规模复杂模型纹理映射的失真、色差问题，进而能够实现更真实的三维模型重建。
本发明第二实施例也提供了一种纹理映射方法，本实施例提供的纹理映射方法具体包括以下步骤：
步骤S11，获取输入的原始网格模型以及图像序列；
具体的，在本实施例中，首先需要说明的是，本实施例同样会首先获取到待处理的原始网格模型以及图像序列，并对获取到的原始网格模型以及图像序列进行处理，其中，上述原始网格模型包括若干网格三角面，上述图像序列包括若干图像列表。
步骤S21，设定各个所述网格三角面的序列
Figure 90202DEST_PATH_IMAGE001
，以及输入的航拍图像序列
Figure 446097DEST_PATH_IMAGE002
，其中，n表示所述网格三角面的个数，m表示航拍图像的数量；通过所述航拍图像对应相机的变换矩阵计算所述网格三角面的序列的顶点在所述航拍图像序列上的像素位置，以获得所述网格三角面在所述航拍图像上的投影区域S计算
Figure 893259DEST_PATH_IMAGE022
，其中，
Figure 551773DEST_PATH_IMAGE023
表示所述网格三角面Fi在图像Ij上通过所述深度测试的像素数量，Fi代表第i个网格三角面片面，Ij代表第j个航拍图像；剔除各个所述网格三角面对应的候选图像列表中的异常图像。
具体的，在本步骤中，需要说明的是，本步骤会首先设定获取到的各个网格三角面的序列
Figure 717175DEST_PATH_IMAGE024
，以及输入的航拍图像序列
Figure 611182DEST_PATH_IMAGE002
，其中，n表示所述网格三角面的个数，m表示航拍图像的数量。
进一步的，在本步骤中，会通过航拍图像对应相机的变换矩阵计算网格三角面的序列的顶点在航拍图像序列上的像素位置，以获得网格三角面在航拍图像上的投影区域S计算
Figure 912850DEST_PATH_IMAGE022
，其中，
Figure 742266DEST_PATH_IMAGE022
表示所述网格三角面Fi在图像Ij上通过所述深度测试的像素数量，Fi代表第i个网格三角面片面，Ij代表第j个航拍图像，此外，用
Figure 955816DEST_PATH_IMAGE025
表示不可见三角面，它的含义是投影区域S的像素数量不为0但没有通过深度测试的三角面。
在此基础之上，本步骤还会剔除各个网格三角面对应的候选图像列表中的异常图像。
具体的，在本步骤中，设Fi的图像列表的数量为r，Fi在图像列表中图像的投影区域的平均颜色为
Figure 591197DEST_PATH_IMAGE026
。使用基于Ck协方差的均值漂移算法过滤图像列表中的离群值，剔除遮挡图像，定义如下：
Figure 544109DEST_PATH_IMAGE027
对于Fi的图像列表中的图像，其投影区域的平均颜色Ck满足上式条件，则表示该图像为离群值，应当被剔除。其中，Cmean代表对应Fi图像列表所有的Ck的平均值，
Figure 606743DEST_PATH_IMAGE028
表示Fi投影区域平均颜色集合C的协方差，
Figure 418841DEST_PATH_IMAGE029
表示过滤阈值，此处取值6x10-3。
步骤S31，当获取到所述原始网格模型时，基于预设网格双边滤波过滤算法对所述原始网格模型M进行表面平滑降噪处理，以得到原始网格模型Ms；基于区域生长对所述原始网格模型Ms进行聚类，以得到所述原始网格模型Ms中的网格三角面所属平面。
进一步的，在本步骤中，当获取到原始网格模型时，本步骤会基于预先设置好的双边滤波过滤算法对该原始网格模型M进行表面平滑降噪处理，以得到原始网格模型Ms，其中，双边滤波强化模型表面上作为边缘的高曲率部分，平滑低曲率平面部分。双边滤波不会改变原始网格模型的拓扑结构，仅改变其顶点的位置和法线方向。
进一步的，本步骤还会基于区域生长对所述原始网格模型Ms进行聚类，以得到所述原始网格模型Ms中的网格三角面所属平面
Figure 982547DEST_PATH_IMAGE030
。其中，假设一共有n个平面，Pi表示第i个平面i的取值从1到n，P1表示第1个平面。原始模型M中对应面片的所属平面同样为Pi。网格平面聚类后划分属于同一平面的三角面片，其目的是约束平面上的纹理块尽可能来自同一图像。
步骤S41，分别计算出每一所述网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并将相邻所述网格三角面的夹角和所属平面聚类作为约束条件，以列出对应的优化能量方程；
在本步骤中，需要说明的是，为了能够获得每个网格三角面的最优纹理图像，可将网格三角面的最优纹理图像的选取转化为马尔可夫随机场能量最小化问题。
假设网格三角面
Figure 258807DEST_PATH_IMAGE031
的最优图像为I l（i） ，其图像标签
Figure 430026DEST_PATH_IMAGE032
为关于i的标记函数。网格三角面片的最优纹理图像的结果即为所有网格三角面片的最优纹理图像序号的集合
Figure 791737DEST_PATH_IMAGE033
。由此将纹理映射最优纹理图像的选择视为求解L标记问题。
另外，在本步骤中，还会分别计算出每一网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并将相邻网格三角面的夹角和所属平面聚类作为约束条件，以列出对应的优化能量方程。
步骤S51，根据所述网格三角面Fi和与其对应的航拍图像序列Im构建出加权的无向图
Figure 332702DEST_PATH_IMAGE034
，并定义出对应的能量方程，其中，V表示所述无向图中的节点，所述节点包括公共节点以及终端节点，所述公共节点的数量与所述网格三角面的数量相等，且所述节点与所述网格三角面一一对应，所述终端节点有m个，所述终端节点对应于所述航拍图像，并用所述航拍图像在序列Im中索引作为标签表示，E表示所述无向图中所述节点相连的边，其中，连接所述终端节点与所述公共节点的边为
Figure 729048DEST_PATH_IMAGE035
，表示所述网格三角面在航拍图像上的可见性，所述公共节点之间的边为
Figure 71168DEST_PATH_IMAGE007
，表示相邻所述网格三角面的拓扑关系，其中，所述能量方程的表达式为：
Figure 982492DEST_PATH_IMAGE008
其中，E data 表示所述网格三角面Fi在图像I l（i） 的投影区域的纹理清晰度，E smooth 表示相邻所述网格三角面来自不同图像的投影区域的一致性，Fi，Fj为相邻网格三角面，li，lj分别表示Fi，Fj的可见图像标签，pi，pj表示Fi，Fj的平面聚类标签；基于循环信念传播算法按照所述加权无向图
Figure 763366DEST_PATH_IMAGE034
进行能量消息传递，以获得每一所述网格三角面的最优纹理图像标签；根据每一所述网格三角面的最优纹理图像标签生成对应的纹理块。
在本步骤中，需要说明的是，其中，E data 的计算公式为：
Figure 951902DEST_PATH_IMAGE036
其中，p表示像素坐标，s表示Fi在
Figure 527240DEST_PATH_IMAGE037
的投影区域，
Figure 660281DEST_PATH_IMAGE038
表示在
Figure 979267DEST_PATH_IMAGE039
最大值上的归一化，
Figure 22309DEST_PATH_IMAGE040
表示使用
Figure 768548DEST_PATH_IMAGE041
算子计算的梯度幅值，计算方式为
Figure 654465DEST_PATH_IMAGE042
，其中
Figure 714825DEST_PATH_IMAGE043
对于不可见三角面
Figure 940270DEST_PATH_IMAGE025
， Fi在图像
Figure 418262DEST_PATH_IMAGE037
上的E data 为
Figure 463579DEST_PATH_IMAGE044
。经过优化，它将会尽可能“靠近”最邻近纹理块。
其中，E smooth 的计算公式为：
Figure 62050DEST_PATH_IMAGE045
其中，Fi，Fj为相邻网格三角面，li，lj分别表示Fi，Fj的可见图像标签，pi，pj表示Fi，Fj的平面聚类标签。
进一步的，本步骤还会基于循环信念传播算法按照所述加权无向图
Figure 142002DEST_PATH_IMAGE005
进行能量消息传递，以获得每一所述网格三角面的最优纹理图像标签；根据每一所述网格三角面的最优纹理图像标签生成对应的纹理块。
其中，对加权的无向图
Figure 292360DEST_PATH_IMAGE009
进行操作，删除一些边，这些边两端节点代表的三角面的最优纹理图像标签不相同。删除边后获取加权无向图
Figure 824973DEST_PATH_IMAGE009
的连通分量，每个连通分量就是一个纹理块，被删除的边就是纹理块的边界，以最终获得纹理块区域和纹理块边界。
步骤S61，根据每一所述纹理块的边界上的顶点颜色确定出每一所述纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程；
具体的，在本步骤中，需要说明的是，当通过上述步骤获取到若干个纹理块之后，本步骤会立即根据每一所述纹理块的边界上的顶点颜色确定出每一所述纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程。
步骤S71，根据所述稀疏线性方程获得每一所述纹理块内部的网格三角面的投影区域内的各个像素之间的颜色差异，并更新各个所述像素的颜色以调整每一所述纹理块之间的色差，且根据预设线性方程融合每一所述纹理块的边界颜色；
具体的，在本步骤中，需要说明的是，本实施例会假定两个纹理块
Figure 227135DEST_PATH_IMAGE046
、
Figure 489489DEST_PATH_IMAGE047
，纹理边界上的顶点v0、v1、v2。调整纹理块
Figure 748432DEST_PATH_IMAGE048
和
Figure 706024DEST_PATH_IMAGE049
的颜色，使他们之前颜色平滑过渡，消除视觉上的差异。
对于v1点，它在
Figure 974194DEST_PATH_IMAGE050
的颜色用C1 left表示，在
Figure 825476DEST_PATH_IMAGE051
上的颜色用C1 right表示；用g1 left表示v1在
Figure 255320DEST_PATH_IMAGE052
上需要调整的颜色值，用g1 right表示v1在
Figure 700208DEST_PATH_IMAGE047
上需要调整的颜色值；调整顶点v1的颜色使得以下值尽可能小：
Figure 506490DEST_PATH_IMAGE053
对应三维模型上任意三角面Fi，在它对应纹理块的投影三角形中的像素颜色调整值g根据三角形重心坐标系从Fi的三个顶点上的颜色调整值获得。
同时，同一纹理块中三角面的任意边上，相邻顶点的颜色调整值差异需要尽可能小：
Figure 713742DEST_PATH_IMAGE054
结合上述约束，已知Cv left、Cv right，构建求解g的线性方程组，使用共轭梯度法(CG，Conjugate Gradient)，计算出三维模型每个顶点的颜色差异g，并更新颜色到所有纹理块中。
4.2 纹理边界颜色融合
为了融合纹理边界两侧颜色，需要使边界两侧像素梯度变化最小。通过图像膨胀腐，将求解像素梯度变化的范围控制在纹理边界两侧20个像素宽度内。
Figure 580067DEST_PATH_IMAGE055
构建求解方程组获得颜色调整值，如上式所示，
Figure 512251DEST_PATH_IMAGE056
是原图像在纹理边界周围的梯度，
Figure 184541DEST_PATH_IMAGE057
表示经过颜色调整的目标图像。
步骤S81，对每个所述纹理块创建出与其纹理图像的尺寸相同的纹理遮罩
Figure 682518DEST_PATH_IMAGE058
，并将所述纹理块中的网格三角面在所述纹理图像的投影区域设置为可见
Figure 657428DEST_PATH_IMAGE059
；通过检测所述纹理遮罩
Figure 873645DEST_PATH_IMAGE058
中的二值图像连通分量，以获得所述纹理遮罩
Figure 84047DEST_PATH_IMAGE058
中的连通分量的包围框矩形
Figure 702110DEST_PATH_IMAGE060
；根据输入的所述包围框矩形
Figure 847921DEST_PATH_IMAGE061
以及预设算法将所述纹理图像的矩形区域中的像素打包至新的纹理图像中，并计算所述网格三角面的纹理坐标，以生成对应的纹理图集。
最后，在本步骤中，需要说明的是，会对上述步骤S71生成的若干纹理块做进一步处理，本步骤会对每个纹理块创建出与其纹理图像的尺寸相同的纹理遮罩
Figure 551434DEST_PATH_IMAGE058
，与此同时，并将各个纹理块中的网格三角面在纹理图像的投影区域设置为可见
Figure 565527DEST_PATH_IMAGE059
。
进一步的，在本步骤中，会进一步通过检测上述纹理遮罩
Figure 38096DEST_PATH_IMAGE058
中的二值图像连通分量，以获得上述纹理遮罩
Figure 354808DEST_PATH_IMAGE058
中的连通分量的包围框矩形
Figure 545618DEST_PATH_IMAGE062
；根据输入的包围框矩形
Figure 861937DEST_PATH_IMAGE060
以及预设“集装箱”算法将上述纹理图像的矩形区域中的像素打包至新的纹理图像中，并计算各个网格三角面的纹理坐标，从而能够最终生成对应的纹理图集。
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例提供相应内容。
综上，本发明上述实施例提供的纹理映射方法能够有效的约束平面上纹理的一致性，同时优化了能量函数，从而有效的消除了大规模复杂模型纹理映射的失真、色差问题，进而能够实现更真实的三维模型重建。
请参阅图2，所示为本发明第三实施例提供的纹理映射系统，该系统包括：
获取模块12，用于获取输入的原始网格模型以及图像序列，所述原始网格模型包括若干网格三角面，所述图像序列包括若干图像列表；
聚类模块22，用于基于预设空间投影以及深度测试对每一所述网格三角面分别建立出对应的候选图像列表，并对每一所述网格三角面进行平面聚类，以使被聚类的网格三角面属于同一近似平面；
计算模块32，用于分别计算出每一所述网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并将相邻所述网格三角面的夹角和所属平面聚类作为约束条件，以列出对应的优化能量方程；
优化模块42，用于通过所述优化能量方程优化得到每一所述网格三角面的最优纹理图像，并将最优纹理图像相同、且相邻的网格三角面聚类在一起，以形成对应的纹理块；
构建模块52，用于根据每一所述纹理块的边界上的顶点颜色确定出每一所述纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程；
融合模块62，用于根据所述稀疏线性方程获得每一所述纹理块内部的网格三角面的投影区域内的各个像素之间的颜色差异，并更新各个所述像素的颜色以调整每一所述纹理块之间的色差，且根据预设线性方程融合每一所述纹理块的边界颜色；
输出模块72，用于将融合过后的各个所述纹理块拼接成纹理图片，并输出带纹理图片的目标网格模型。
其中，上述纹理映射系统中，所述聚类模块22具体用于：
设定各个所述网格三角面的序列
Figure 392275DEST_PATH_IMAGE063
，以及输入的航拍图像序列
Figure 676626DEST_PATH_IMAGE002
，其中，n表示所述网格三角面的个数，m表示航拍图像的数量；
通过所述航拍图像对应相机的变换矩阵计算所述网格三角面的序列的顶点在所述航拍图像序列上的像素位置，以获得所述网格三角面在所述航拍图像上的投影区域S计算
Figure 417049DEST_PATH_IMAGE022
，其中，
Figure 710627DEST_PATH_IMAGE022
表示所述网格三角面Fi在图像Ij上通过所述深度测试的像素数量，Fi代表第i个网格三角面片面，Ij代表第j个航拍图像；
剔除各个所述网格三角面对应的候选图像列表中的异常图像。
其中，上述纹理映射系统中，所述聚类模块22还具体用于：
当获取到所述原始网格模型时，基于预设网格双边滤波过滤算法对所述原始网格模型M进行表面平滑降噪处理，以得到原始网格模型Ms；
基于区域生长对所述原始网格模型Ms进行聚类，以得到所述原始网格模型Ms中的网格三角面所属平面。
其中，上述纹理映射系统中，所述优化模块42具体用于：
根据所述网格三角面Fi和与其对应的航拍图像序列Im构建出加权的无向图
Figure 95472DEST_PATH_IMAGE005
，并定义出对应的能量方程，其中，V表示所述无向图中的节点，所述节点包括公共节点以及终端节点，所述公共节点的数量与所述网格三角面的数量相等，且所述节点与所述网格三角面一一对应，所述终端节点有m个，所述终端节点对应于所述航拍图像，并用所述航拍图像在序列Im中索引作为标签表示，E表示所述无向图中所述节点相连的边，其中，连接所述终端节点与所述公共节点的边为
Figure 144199DEST_PATH_IMAGE006
，表示所述网格三角面在航拍图像上的可见性，所述公共节点之间的边为
Figure 44022DEST_PATH_IMAGE007
，表示相邻所述网格三角面的拓扑关系，其中，所述能量方程的表达式为：
Figure 813395DEST_PATH_IMAGE008
其中，E data 表示所述网格三角面Fi在图像I l（i） 的投影区域的纹理清晰度，E smooth 表示相邻所述网格三角面来自不同图像的投影区域的一致性，Fi，Fj为相邻网格三角面，li，lj分别表示Fi，Fj的可见图像标签，pi，pj表示Fi，Fj的平面聚类标签；
基于循环信念传播算法按照所述加权的无向图
Figure 380643DEST_PATH_IMAGE009
进行能量消息传递，以获得每一所述网格三角面的最优纹理图像标签；
根据每一所述网格三角面的最优纹理图像标签生成对应的纹理块。
其中，上述纹理映射系统中，所述输出模块72具体用于：
对每个所述纹理块创建出与其纹理图像的尺寸相同的纹理遮罩
Figure 334692DEST_PATH_IMAGE058
，并将所述纹理块中的网格三角面在所述纹理图像的投影区域设置为可见
Figure 721811DEST_PATH_IMAGE064
；
通过检测所述纹理遮罩
Figure 294875DEST_PATH_IMAGE058
中的二值图像连通分量，以获得所述纹理遮罩
Figure 716629DEST_PATH_IMAGE058
中的连通分量的包围框矩形
Figure 343045DEST_PATH_IMAGE065
；
根据输入的所述包围框矩形
Figure 420722DEST_PATH_IMAGE062
以及预设算法将所述纹理图像的矩形区域中的像素打包至新的纹理图像中，并计算所述网格三角面的纹理坐标，以生成对应的纹理图集。
本发明第四实施例提供了一种计算机，其包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一实施例或者第二实施例提供的纹理映射方法。
本发明第五实施例提供了一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一实施例或者第二实施例提供的纹理映射方法。
综上所述，本发明上述实施例提供的纹理映射方法、系统、计算机及可读存储介质能够有效的约束平面上纹理的一致性，同时优化了能量函数，从而有效的消除了大规模复杂模型纹理映射的失真、色差问题，进而能够实现更真实的三维模型重建。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种纹理映射方法，其特征在于，所述方法包括：
获取输入的原始网格模型以及图像序列，所述原始网格模型包括若干网格三角面，所述图像序列包括若干图像列表；
基于预设空间投影以及深度测试对每一所述网格三角面分别建立出对应的候选图像列表，并对每一所述网格三角面进行平面聚类，以使被聚类的网格三角面属于同一近似平面；
分别计算出每一所述网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并将相邻所述网格三角面的夹角和所属平面聚类作为约束条件，以列出对应的优化能量方程；
通过所述优化能量方程优化得到每一所述网格三角面的最优纹理图像，并将最优纹理图像相同、且相邻的网格三角面聚类在一起，以形成对应的纹理块；
根据每一所述纹理块的边界上的顶点颜色确定出每一所述纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程；
根据所述稀疏线性方程获得每一所述纹理块内部的网格三角面的投影区域内的各个像素之间的颜色差异，并更新各个所述像素的颜色以调整每一所述纹理块之间的色差，且根据预设线性方程融合每一所述纹理块的边界颜色；
将融合过后的各个所述纹理块拼接成纹理图片，并输出带纹理图片的目标网格模型。
2.根据权利要求1所述的纹理映射方法，其特征在于：所述基于预设空间投影以及深度测试对每一所述网格三角面分别建立出对应的候选图像列表的步骤包括：
设定各个所述网格三角面的序列
Figure 904281DEST_PATH_IMAGE001
，以及输入的航拍图像序列
Figure 907134DEST_PATH_IMAGE002
，其中，n表示所述网格三角面的个数，m表示航拍图像的数量；
通过所述航拍图像对应相机的变换矩阵计算所述网格三角面的序列的顶点在所述航拍图像序列上的像素位置，以获得所述网格三角面在所述航拍图像上的投影区域S计算
Figure 183395DEST_PATH_IMAGE003
，其中，
Figure 354613DEST_PATH_IMAGE004
表示所述网格三角面Fi在图像Ij上通过所述深度测试的像素数量，Fi代表第i个网格三角面片面，Ij代表第j个航拍图像；
剔除各个所述网格三角面对应的候选图像列表中的异常图像。
3.根据权利要求1所述的纹理映射方法，其特征在于：所述对每一所述网格三角面进行平面聚类，以使被聚类的网格三角面属于同一近似平面的步骤包括：
当获取到所述原始网格模型时，基于预设网格双边滤波过滤算法对所述原始网格模型M进行表面平滑降噪处理，以得到原始网格模型Ms；
基于区域生长对所述原始网格模型Ms进行聚类，以得到所述原始网格模型Ms中的网格三角面所属平面。
4.根据权利要求2所述的纹理映射方法，其特征在于：所述通过所述优化能量方程优化得到每一所述网格三角面的最优纹理图像，并将最优纹理图像相同、且相邻的网格三角面聚类在一起，以形成对应的纹理块的步骤包括：
根据所述网格三角面Fi和与其对应的航拍图像序列Im构建出加权的无向图
Figure 716324DEST_PATH_IMAGE005
，并定义出对应的能量方程，其中，V表示所述无向图中的节点，所述节点包括公共节点以及终端节点，所述公共节点的数量与所述网格三角面的数量相等，且所述节点与所述网格三角面一一对应，所述终端节点有m个，所述终端节点对应于所述航拍图像，并用所述航拍图像在序列Im中索引作为标签表示，E表示所述无向图中所述节点相连的边，其中，连接所述终端节点与所述公共节点的边为
Figure 490245DEST_PATH_IMAGE006
，表示所述网格三角面在航拍图像上的可见性，所述公共节点之间的边为
Figure 89854DEST_PATH_IMAGE007
，表示相邻所述网格三角面的拓扑关系，其中，所述能量方程的表达式为：
Figure 494290DEST_PATH_IMAGE008
其中，
Figure 405614DEST_PATH_IMAGE009
表示所述网格三角面Fi在图像
Figure 920909DEST_PATH_IMAGE010
的投影区域的纹理清晰度，
Figure 109445DEST_PATH_IMAGE011
表示相邻所述网格三角面来自不同图像的投影区域的一致性，Fi，Fj为相邻网格三角面，li，lj分别表示Fi，Fj的可见图像标签，pi，pj表示Fi，Fj的平面聚类标签；
基于循环信念传播算法按照所述加权的无向图
Figure 684783DEST_PATH_IMAGE012
进行能量消息传递，以获得每一所述网格三角面的最优纹理图像标签；
根据每一所述网格三角面的最优纹理图像标签生成对应的纹理块。
5.根据权利要求1所述的纹理映射方法，其特征在于：所述将融合过后的各个所述纹理块拼接成纹理图片，并输出带纹理图片的目标网格模型的步骤包括：
对每个所述纹理块创建出与其纹理图像的尺寸相同的纹理遮罩
Figure 83403DEST_PATH_IMAGE013
，并将所述纹理块中的网格三角面在所述纹理图像的投影区域设置为可见
Figure 402389DEST_PATH_IMAGE014
；
通过检测所述纹理遮罩
Figure 445432DEST_PATH_IMAGE013
中的二值图像连通分量，以获得所述纹理遮罩
Figure 191671DEST_PATH_IMAGE013
中的连通分量的包围框矩形
Figure 310543DEST_PATH_IMAGE015
；
根据输入的所述包围框矩形
Figure 433220DEST_PATH_IMAGE015
以及预设算法将所述纹理图像的矩形区域中的像素打包至新的纹理图像中，并计算所述网格三角面的纹理坐标，以生成对应的纹理图集。
6.一种纹理映射系统，其特征在于，所述系统包括：
获取模块，用于获取输入的原始网格模型以及图像序列，所述原始网格模型包括若干网格三角面，所述图像序列包括若干图像列表；
聚类模块，用于基于预设空间投影以及深度测试对每一所述网格三角面分别建立出对应的候选图像列表，并对每一所述网格三角面进行平面聚类，以使被聚类的网格三角面属于同一近似平面；
计算模块，用于分别计算出每一所述网格三角面在与其对应的候选图像列表上的投影区域的纹理质量，并将相邻所述网格三角面的夹角和所属平面聚类作为约束条件，以列出对应的优化能量方程；
优化模块，用于通过所述优化能量方程优化得到每一所述网格三角面的最优纹理图像，并将最优纹理图像相同、且相邻的网格三角面聚类在一起，以形成对应的纹理块；
构建模块，用于根据每一所述纹理块的边界上的顶点颜色确定出每一所述纹理块之间的差异约束以及网格三角面内部的重心坐标，以构建出对应的稀疏线性方程；
融合模块，用于根据所述稀疏线性方程获得每一所述纹理块内部的网格三角面的投影区域内的各个像素之间的颜色差异，并更新各个所述像素的颜色以调整每一所述纹理块之间的色差，且根据预设线性方程融合每一所述纹理块的边界颜色；
输出模块，用于将融合过后的各个所述纹理块拼接成纹理图片，并输出带纹理图片的目标网格模型。
7.根据权利要求6所述的纹理映射系统，其特征在于：所述聚类模块具体用于：
设定各个所述网格三角面的序列
Figure 330769DEST_PATH_IMAGE016
，以及输入的航拍图像序列
Figure 247909DEST_PATH_IMAGE017
，其中，n表示所述网格三角面的个数，m表示航拍图像的数量；
通过所述航拍图像对应相机的变换矩阵计算所述网格三角面的序列的顶点在所述航拍图像序列上的像素位置，以获得所述网格三角面在所述航拍图像上的投影区域S计算
Figure 886701DEST_PATH_IMAGE018
，其中，
Figure 485173DEST_PATH_IMAGE019
表示所述网格三角面Fi在图像Ij上通过所述深度测试的像素数量，Fi代表第i个网格三角面片面，Ij代表第j个航拍图像；
剔除各个所述网格三角面对应的候选图像列表中的异常图像。
8.根据权利要求6所述的纹理映射系统，其特征在于：所述聚类模块还具体用于：
当获取到所述原始网格模型时，基于预设网格双边滤波过滤算法对所述原始网格模型M进行表面平滑降噪处理，以得到原始网格模型Ms；
基于区域生长对所述原始网格模型Ms进行聚类，以得到所述原始网格模型Ms中的网格三角面所属平面。
9.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5中任意一项所述的纹理映射方法。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5中任意一项所述的纹理映射方法。
CN202210627375.5A 2022-06-06 2022-06-06 纹理映射方法、系统、计算机及可读存储介质 Active CN114708375B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210627375.5A CN114708375B (zh) 2022-06-06 2022-06-06 纹理映射方法、系统、计算机及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210627375.5A CN114708375B (zh) 2022-06-06 2022-06-06 纹理映射方法、系统、计算机及可读存储介质

Publications (2)

Publication Number Publication Date
CN114708375A CN114708375A (zh) 2022-07-05
CN114708375B true CN114708375B (zh) 2022-08-26

Family

ID=82177667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210627375.5A Active CN114708375B (zh) 2022-06-06 2022-06-06 纹理映射方法、系统、计算机及可读存储介质

Country Status (1)

Country Link
CN (1) CN114708375B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114972612B (zh) * 2022-07-18 2022-11-11 深圳大学 一种基于三维简化模型的图像纹理生成方法及相关设备
CN114998551B (zh) * 2022-08-03 2022-11-18 江西博微新技术有限公司 网格重建质量优化方法、系统、计算机及可读存储介质
CN117315196B (zh) * 2023-10-08 2024-06-11 广州中望龙腾软件股份有限公司 一种模型的构建方法、装置、设备和存储介质
CN118570417B (zh) * 2024-07-31 2024-11-01 山东观享世界数字科技有限公司 一种数字孪生3d模型虚拟纹理自动衔接方法、介质及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013174671A1 (en) * 2012-05-22 2013-11-28 Telefonica, S.A. A method and a system for generating a realistic 3d reconstruction model for an object or being
EP3504685A1 (en) * 2016-12-14 2019-07-03 Samsung Electronics Co., Ltd. Method and apparatus for rendering object using mipmap including plurality of textures
CN110148146A (zh) * 2019-05-24 2019-08-20 重庆大学 一种利用合成数据的植物叶片分割方法及系统
CN110163947A (zh) * 2019-05-24 2019-08-23 北京华捷艾米科技有限公司 一种纹理贴图的方法和相关装置
CN113327315A (zh) * 2021-06-11 2021-08-31 武汉天远视科技有限责任公司 多层次细节模型生成方法和装置
CN113781621A (zh) * 2020-11-05 2021-12-10 北京沃东天骏信息技术有限公司 三维重建处理的方法、装置、设备及存储介质
US11282277B1 (en) * 2020-09-28 2022-03-22 Adobe Inc. Systems for shading vector objects

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200334890A1 (en) * 2019-04-22 2020-10-22 University Of Kentucky Research Foundation Systems and Methods for Fast Texture Mapping of 3D Models
CN111369660B (zh) * 2020-03-02 2023-10-13 中国电子科技集团公司第五十二研究所 一种三维模型的无接缝纹理映射方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013174671A1 (en) * 2012-05-22 2013-11-28 Telefonica, S.A. A method and a system for generating a realistic 3d reconstruction model for an object or being
EP3504685A1 (en) * 2016-12-14 2019-07-03 Samsung Electronics Co., Ltd. Method and apparatus for rendering object using mipmap including plurality of textures
CN110148146A (zh) * 2019-05-24 2019-08-20 重庆大学 一种利用合成数据的植物叶片分割方法及系统
CN110163947A (zh) * 2019-05-24 2019-08-23 北京华捷艾米科技有限公司 一种纹理贴图的方法和相关装置
US11282277B1 (en) * 2020-09-28 2022-03-22 Adobe Inc. Systems for shading vector objects
CN113781621A (zh) * 2020-11-05 2021-12-10 北京沃东天骏信息技术有限公司 三维重建处理的方法、装置、设备及存储介质
CN113327315A (zh) * 2021-06-11 2021-08-31 武汉天远视科技有限责任公司 多层次细节模型生成方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Analysis of critical parameters of satellite stereo images for 3D reconstruction and mapping;Rongjun Qin;《ASPRS Annual Conference 2018》;20180228;全文 *
基于三角网格模型的纹理映射研究;万燕等;《计算机应用与软件》;20160415(第04期);全文 *
多参数加权的无缝纹理映射算法;刘彬 等;《中国图象图形学报》;20150731;全文 *

Also Published As

Publication number Publication date
CN114708375A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN114708375B (zh) 纹理映射方法、系统、计算机及可读存储介质
US11410320B2 (en) Image processing method, apparatus, and storage medium
US11263356B2 (en) Scalable and precise fitting of NURBS surfaces to large-size mesh representations
CN110458932B (zh) 图像处理方法、装置、系统、存储介质和图像扫描设备
WO2021150553A1 (en) Mesh optimization for computer graphics
CN114565706A (zh) 基于视锥的点云处理方法、装置、电子设备及存储介质
CN111369660A (zh) 一种三维模型的无接缝纹理映射方法
CN112669448A (zh) 基于三维重建技术的虚拟数据集开发方法、系统及存储介质
CN113781621A (zh) 三维重建处理的方法、装置、设备及存储介质
CN119850849B (zh) 三维场景在线重建方法、装置、设备及存储介质
CN119383325B (zh) 三维光场显示优化方法、系统、电子设备及存储介质
US20180213215A1 (en) Method and device for displaying a three-dimensional scene on display surface having an arbitrary non-planar shape
CN112002019B (zh) 一种基于mr混合现实的模拟人物阴影的方法
CN110378948B (zh) 3d模型重建方法、装置及电子设备
JP7614801B2 (ja) 画像処理装置、画像処理方法及びプログラム
JP2004227095A (ja) テクスチャマップ作成方法、テクスチャマップ作成用プログラムおよびテクスチャマップ作成装置
CN116402984B (zh) 三维模型处理方法、装置及电子设备
CN118298128B (zh) 三维网格处理方法、装置、设备及可读存储介质
CN116612262B (zh) 与参考照片对齐的网格自动调整方法、系统、设备及介质
CN117939100B (zh) 一种折幕视频处理方法以及相关装置
CN119559039A (zh) 一种球幕显示图像的处理方法、装置、终端及介质
JP3543741B2 (ja) 物体形状推定方法及び物体形状推定装置
JPH07220118A (ja) 地形表示装置
CN117934719A (zh) Gis设备监控方法
CN120410889A (zh) 基于多视角的阶段融合全景环视图像生成方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant