CN111815750A - 对图像打光的方法及装置、电子设备和存储介质 - Google Patents
对图像打光的方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN111815750A CN111815750A CN202010621159.0A CN202010621159A CN111815750A CN 111815750 A CN111815750 A CN 111815750A CN 202010621159 A CN202010621159 A CN 202010621159A CN 111815750 A CN111815750 A CN 111815750A
- Authority
- CN
- China
- Prior art keywords
- image
- processed
- information
- obtaining
- map
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005498 polishing Methods 0.000 title claims abstract description 31
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000005286 illumination Methods 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims description 58
- 238000009877 rendering Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 26
- 239000000463 material Substances 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 238000007517 polishing process Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 33
- 230000006870 function Effects 0.000 description 23
- 230000000694 effects Effects 0.000 description 18
- 238000004891 communication Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/005—General purpose rendering architectures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
- G06T15/55—Radiosity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
- G06T15/60—Shadow generation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Generation (AREA)
Abstract
本公开涉及一种对图像打光的方法及装置、电子设备和存储介质。所述方法包括:获取待处理图像和所述待处理图像对应的深度图;根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,其中,所述阴影图用于表示在所述光照条件下所述待处理图像中的阴影区域和非阴影区域;根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种对图像打光的方法及装置、电子设备和存储介质。
背景技术
相关技术中,对图像重新打光(Relighting)需要拍摄不同光照条件下的多张RGB(Red,红;Green,绿;Blue,蓝)图像,从而在不同的光照条件下获得逼真的打光效果。这种方法需要较大的工作量去校准多张RGB图像的拍摄环境的光源,导致在某些实际应用场景中难以实现。
发明内容
本公开提供了一种对图像打光的技术方案。
根据本公开的一方面,提供了一种对图像打光的方法,包括:
获取待处理图像和所述待处理图像对应的深度图;
根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,其中,所述阴影图用于表示在所述光照条件下所述待处理图像中的阴影区域和非阴影区域;
根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像。
在本公开实施例中,通过获取待处理图像和所述待处理图像对应的深度图,根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,并根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像,由此基于单张待处理图像和待处理图像对应的深度图即可完成重新打光,无需采集校准过的不同光照条件下的多张RGB图像,从而使图像采集更简便,因此能够适用于广泛的应用场景。另外,通过结合待处理图像对应的深度图,由此利用了待处理图像对应的拍摄场景的深度信息,从而能够更有效地利用待处理图像中的高频信息(例如高光、阴影等信息)进行重新打光,使打光效果更加逼真。
在一种可能的实现方式中,所述根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像,包括:
根据所述待处理图像和所述深度图,得到所述待处理图像中对象表面的信息;
根据所述待处理图像中对象表面的信息和所述阴影图,得到所述待处理图像对应的重打光图像。
在该实现方式中,通过根据所述待处理图像和所述深度图,得到所述待处理图像中对象表面的信息,并根据所述待处理图像中对象表面的信息和所述阴影图,得到所述待处理图像对应的重打光图像,由此能够结合待处理图像中对象表面的信息和所述阴影图,实现更逼真的打光效果。
在一种可能的实现方式中,所述待处理图像中对象表面的信息包括以下至少之一:所述待处理图像中对象表面的辐照度、所述待处理图像中对象表面的法向量、所述待处理图像中对象表面的材质信息。
在该实现方式中,通过采用所述待处理图像中对象表面的辐照度、所述待处理图像中对象表面的法向量、所述待处理图像中对象表面的材质信息中的至少之一,以及所述阴影图,得到所述待处理图像对应的重打光图像,由此能够重构出所述光照条件下的逼真的高频信息的效果(例如高光、阴影等效果),从而能够使重打光图像的打光效果更加逼真。
在一种可能的实现方式中,所述根据所述待处理图像和所述深度图,得到所述待处理图像中对象表面的信息,包括:
提取所述待处理图像和所述深度图的特征信息;
根据所述特征信息得到所述待处理图像中对象表面的信息。
在该实现方式中,通过提取所述待处理图像和所述深度图的特征信息,并根据所述特征信息得到所述待处理图像中对象表面的信息,由此能够准确地提取所述待处理图像中对象表面的信息。
在一种可能的实现方式中,
所述提取所述待处理图像和所述深度图的特征信息,包括:将所述待处理图像和所述深度图输入第一子神经网络,经由所述第一子神经网络的编码器提取所述待处理图像和所述深度图的特征信息;
所述根据所述特征信息得到所述待处理图像中对象表面的信息,包括:经由所述第一子神经网络的解码器根据所述特征信息得到所述待处理图像中对象表面的信息。
在该实现方式中,通过第一子神经网络对所述待处理图像和所述深度图进行处理,由此能够快速、准确地提取所述待处理图像中对象表面的信息。
在一种可能的实现方式中,所述第一子神经网络的解码器包括第一解码器、第二解码器和第三解码器中的至少之一;
所述经由所述第一子神经网络的解码器根据所述特征信息得到所述待处理图像中对象表面的信息,包括以下至少之一:
经由所述第一解码器根据所述特征信息得到所述待处理图像中对象表面的辐照度;
经由所述第二解码器根据所述特征信息得到所述待处理图像中对象表面的法向量;
经由所述第三解码器根据所述特征信息得到所述待处理图像中对象表面的材质信息。
在该实现方式中,第一解码器、第二解码器和第三解码器可以共享第一子神经网络的解码器提取的特征信息,换言之,第一解码器、第二解码器和第三解码器可以共享一个解码器,由此能够将降低第一子神经网络的复杂度,提高第一子神经网络的计算效率。
在一种可能的实现方式中,所述根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,包括:
根据所述光照条件,对所述深度图进行转换处理,得到所述深度图对应的转换后的深度数据;
根据所述转换后的深度数据,得到所述待处理图像对应的阴影图。
在该实现方式中,通过根据所述光照条件,对所述深度图进行转换处理,得到所述深度图对应的转换后的深度数据,并根据所述转换后的深度数据,得到所述待处理图像对应的阴影图,由此能够准确地获得所述待处理图像在所述光照条件下的阴影信息。
在一种可能的实现方式中,所述根据所述待处理图像中对象表面的信息和所述阴影图,得到所述待处理图像对应的重打光图像,包括:
根据所述待处理图像中对象表面的信息和所述光照条件,得到在所述光照条件下所述待处理图像对应的渲染图;
根据所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像。
在该实现方式中,通过结合根据所述待处理图像中对象表面的信息和所述光照条件渲染得到的渲染图以及所述阴影图,由此能够得到打光效果更逼真的重打光图像。
在一种可能的实现方式中,所述根据所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像,包括:
根据所述待处理图像、所述深度图、所述待处理图像中对象表面的信息和所述深度图对应的转换后的深度数据中的至少之一,以及所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像,其中,所述渲染图用于得到所述重打光图像中对象表面的信息,所述阴影图用于得到所述重打光图像中的阴影信息。
在该实现方式中,通过结合所述待处理图像、所述深度图、所述待处理图像中对象表面的信息和所述深度图对应的转换后的深度数据中的至少之一,以及所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像,由此有助于获得更逼真的打光效果。
根据本公开的一方面,提供了一种对图像打光的装置,包括:
获取模块,用于获取待处理图像和所述待处理图像对应的深度图;
第一确定模块,用于根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,其中,所述阴影图用于表示在所述光照条件下所述待处理图像中的阴影区域和非阴影区域;
第二确定模块,用于根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像。
在一种可能的实现方式中,所述第二确定模块用于:
根据所述待处理图像和所述深度图,得到所述待处理图像中对象表面的信息;
根据所述待处理图像中对象表面的信息和所述阴影图,得到所述待处理图像对应的重打光图像。
在一种可能的实现方式中,所述待处理图像中对象表面的信息包括以下至少之一:所述待处理图像中对象表面的辐照度、所述待处理图像中对象表面的法向量、所述待处理图像中对象表面的材质信息。
在一种可能的实现方式中,所述第二确定模块用于:
提取所述待处理图像和所述深度图的特征信息;
根据所述特征信息得到所述待处理图像中对象表面的信息。
在一种可能的实现方式中,所述第二确定模块用于:
将所述待处理图像和所述深度图输入第一子神经网络,经由所述第一子神经网络的编码器提取所述待处理图像和所述深度图的特征信息;
经由所述第一子神经网络的解码器根据所述特征信息得到所述待处理图像中对象表面的信息。
在一种可能的实现方式中,所述第一子神经网络的解码器包括第一解码器、第二解码器和第三解码器中的至少之一;
所述第二确定模块用于以下至少之一:
经由所述第一解码器根据所述特征信息得到所述待处理图像中对象表面的辐照度;
经由所述第二解码器根据所述特征信息得到所述待处理图像中对象表面的法向量;
经由所述第三解码器根据所述特征信息得到所述待处理图像中对象表面的材质信息。
在一种可能的实现方式中,所述第一确定模块用于:
根据所述光照条件,对所述深度图进行转换处理,得到所述深度图对应的转换后的深度数据;
根据所述转换后的深度数据,得到所述待处理图像对应的阴影图。
在一种可能的实现方式中,所述第二确定模块用于:
根据所述待处理图像中对象表面的信息和所述光照条件,得到在所述光照条件下所述待处理图像对应的渲染图;
根据所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像。
在一种可能的实现方式中,所述第二确定模块用于:
根据所述待处理图像、所述深度图、所述待处理图像中对象表面的信息和所述深度图对应的转换后的深度数据中的至少之一,以及所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像,其中,所述渲染图用于得到所述重打光图像中对象表面的信息,所述阴影图用于得到所述重打光图像中的阴影信息。
根据本公开的一方面,提供了一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过获取待处理图像和所述待处理图像对应的深度图,根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,并根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像,由此基于单张待处理图像和待处理图像对应的深度图即可完成重新打光,无需采集校准过的不同光照条件下的多张RGB图像,从而使图像采集更简便,因此能够适用于广泛的应用场景。另外,通过结合待处理图像对应的深度图,由此利用了待处理图像对应的拍摄场景的深度信息,从而能够更有效地利用待处理图像中的高频信息(例如高光、阴影等信息)进行重新打光,使打光效果更加逼真。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出本公开实施例提供的对图像打光的方法的流程图。
图2示出通过带有深度摄像头的手机拍摄得到待处理图像和待处理图像对应的深度图的示意图。
图3a和图3b示出点光源的示意图。
图3c和图3d示出环境光源的示意图。
图4a示出在图3a所示的光照条件下,图2中的待处理图像对应的重打光图像的示意图。
图4b示出在图3b所示的光照条件下,图2中的待处理图像对应的重打光图像的示意图。
图4c示出在图3c所示的光照条件下,图2中的待处理图像对应的重打光图像的示意图。
图4d示出在图3d所示的光照条件下,图2中的待处理图像对应的重打光图像的示意图。
图5示出本公开实施例提供的神经网络的示意图。
图6示出本公开实施例提供的对图像打光的装置的框图。
图7示出本公开实施例提供的一种电子设备800的框图。
图8示出本公开实施例提供的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
如上所述,在相关技术中,在对图像重新打光时,需要提前拍摄不同光照条件下的多张RGB图像,导致在某些实际应用场景中难以实现。为了解决类似上文所述的技术问题,本公开实施例提供了一种对图像打光的方法,通过获取待处理图像和所述待处理图像对应的深度图,根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,并根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像,由此基于单张待处理图像和待处理图像对应的深度图即可完成重新打光,无需采集校准过的不同光照条件下的多张RGB图像,从而使图像采集更简便,因此能够适用于广泛的应用场景。另外,通过结合待处理图像对应的深度图,由此利用了待处理图像对应的拍摄场景的深度信息,从而能够更有效地利用待处理图像中的高频信息(例如高光、阴影等信息)进行重新打光,使打光效果更加逼真。
本公开实施例可以应用于照片的后期处理、增强现实等应用场景中。采用本公开实施例提供的对图像打光的方法对图像和/或视频进行处理,可以得到用户指定光照条件下的图像和/或视频。
图1示出本公开实施例提供的对图像打光的方法的流程图。所述对图像打光的方法的执行主体可以是对图像打光的装置。例如,所述对图像打光的方法可以由终端设备或服务器或其它处理设备执行。其中,终端设备可以是用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。在一些可能的实现方式中,所述对图像打光的方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,所述对图像打光的方法包括步骤S11至步骤S13。
在步骤S11中,获取待处理图像和所述待处理图像对应的深度图。
在本公开实施例中,待处理图像可以表示需要重新打光的图像。待处理图像可以是RGB传感器采集的RGB图像,也可以是近红外传感器采集的近红外图像等。待处理图像可以是在闪光灯下拍摄的图像,即,待处理图像可以是在闪光灯开启的条件下拍摄的图像。例如,待处理图像可以记为Iflash。通过利用闪光灯下拍摄的图像,能够减少环境光的干扰,由此有利于获得待处理图像中更准确的对象表面的信息,从而有利于提高重新打光的效果。当然,待处理图像也可以不是在闪光灯下拍摄的图像,本领域技术人员可以根据实际应用场景需求和/或个人喜好灵活选择。
在本公开实施例中,待处理图像和待处理图像对应的深度图可以是在相同或相近的时刻、对相同的场景拍摄得到的。例如,可以通过RGBD(Red,红;Green,绿;Blue,蓝;Deep,深度)相机拍摄得到待处理图像和待处理图像对应的深度图。当然,深度图的获取方式不限于此。例如,还可以通过ToF(Time of Flight,飞行时间)传感器、结构光传感器等获取待处理图像对应的深度图。图2示出通过带有深度摄像头的手机拍摄得到待处理图像和待处理图像对应的深度图的示意图。其中,待处理图像对应的深度图可以记为D。
在本公开实施例中,结合待处理图像对应的深度图对待处理图像进行重打光,由此能够结合待处理图像对应的拍摄场景的几何信息进行重打光,这些几何信息对于获取待处理图像中的高频信息(例如高光、阴影等信息)至关重要。
在步骤S12中,根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,其中,所述阴影图用于表示在所述光照条件下所述待处理图像中的阴影区域和非阴影区域。
在本公开实施例中,所述光照条件可以表示对所述待处理图像重新打光的光照条件。所述光照条件可以是用户指定的,也可以是***默认的,或者可以是随机选择的,在此不作限定。所述光照条件中的光源可以是平行光源、点光源、环境光源等。所述光照条件中的光源可以是单方向的光源,也可以是多方向的光源。图3a和图3b示出点光源的示意图,图3c和图3d示出环境光源的示意图。图3c和图3d中的圆盘可以表示拍摄场景的可视半球的俯视图。其中,可视半球中的每一个点可以分别代表一个方向,由相机出发沿相机光轴的方向可以得到可视半球的极点,在图3c和图3d中即为圆盘的中心。圆盘边缘的点可以代表垂直于相机光轴的方向。在图3a至图3d中,黑色区域中的点表示所在方向无光,非黑色区域表示所在方向有光。其中,环境光源可以采用镜面球来实现,也可以采用环境贴图等来实现,在此不作限定。
在一种可能的实现方式中,所述光照条件可以包括光源方向。在该实现方式中,所述光照条件可以为单位光照强度下的光照条件。根据该实现方式,在得到待处理图像对应的重打光图像之后,可以确定指定的光照强度与单位光照强度的比值,并根据待处理图像对应的重打光图像和所述比值得到所述指定的光照强度下的重打光图像。
在另一种可能的实现方式中,所述光照条件可以包括光源方向和光照强度。
在一种可能的实现方式中,所述阴影图可以是二值图,其中,阴影区域的像素值可以是0,非阴影区域的像素值可以是255。当然,所述阴影图也可以不是二值图,例如可以是灰度图等。
在本公开实施例中,对于阴影图中的任一像素,若该像素所代表拍照场景中的位置与所述光照条件中的光源之间的连线上有物体遮挡,则该像素处于阴影区域;若该像素所代表的位置与光源之间的连线上没有物体遮挡,则该像素处于非阴影区域。在一种可能的实现方式中,所述阴影图可以记为Ishadow。
在一种可能的实现方式中,所述根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,包括:根据所述光照条件,对所述深度图进行转换处理,得到所述深度图对应的转换后的深度数据;根据所述转换后的深度数据,得到所述待处理图像对应的阴影图。
作为该实现方式的一个示例,所述光照条件包括光源方向w,深度图为D,转换后的深度数据可以表示为T(w,D)。
作为该实现方式的一个示例,可以根据所述光照条件,确定正交矩阵R,并根据所述正交矩阵R,对所述深度图进行转换,得到所述深度图对应的转换后的深度数据。其中,正交矩阵R的第三列可以是光源方向w;任意选用单位矩阵中的两列不与w线性依赖的向量ei和ej组成可逆矩阵,记为R0=(ei,ej,w);做类似于Gram-Schimdt的操作,补全一组正交基,得到R=(ei’,ej’,w)。
在该示例中,转换矩阵可以用于将所述深度图转换到所述光照条件中的光源对应的坐标系中。其中,所述光源对应的坐标系可以以光源的方向作为z轴正向,x轴方向和y轴方向可以任意选择,只要z轴、x轴和y轴三者两两垂直即可。
在一个例子中,可以先将深度图转换为相机坐标系下的点云数据,其中,所述点云数据包括所述待处理图像中的各个像素的深度值。在该示例中,可以根据相机的分辨率和焦距,将深度图转换为相机坐标系下的点云数据。在得到所述点云数据后,再根据正交矩阵R将所述点云数据进行转换处理,得到所述深度图对应的转换后的深度数据。例如,对于所述点云数据中的任一点p,可以转换为p’=RTp+t。例如,t=(0,0,1)T,由此能够使p’的z值大于0。例如,上述转换过程可以通过1×1卷积来实现。
作为该实现方式的一个示例,可以将所述转换后的深度数据输入第二子神经网络,经由所述第二子神经网络得到待处理图像对应的阴影图。在一个例子中,第二子神经网络可以记为ShadowNet,Ishadow=ShadowNet(T(w,D))。在一个例子中,第二子神经网络可以是带有跳跃连接的沙漏型(hour-glass shaped)的卷积神经网络。在一个例子中,第二子神经网络的最后一层可以采用激活函数,例如可以采用sigmoid或者LeakyReLU等激活函数。例如,LeakyReLU的负斜率可以是-0.1,当然,本领域技术人员也可以根据实际应用场景需求灵活设置。在一个例子中,第二子神经网络可以采用像素级别的二分类交叉熵损失函数来训练。
在该实现方式中,通过根据所述光照条件,对所述深度图进行转换处理,得到所述深度图对应的转换后的深度数据,并根据所述转换后的深度数据,得到所述待处理图像对应的阴影图,由此能够准确地获得所述待处理图像在所述光照条件下的阴影信息。
在步骤S13中,根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像。
在本公开实施例中,待处理图像对应的重打光图像,表示待处理图像对应的重新打光的图像。
图4a示出在图3a所示的光照条件下,图2中的待处理图像对应的重打光图像的示意图;图4b示出在图3b所示的光照条件下,图2中的待处理图像对应的重打光图像的示意图;图4c示出在图3c所示的光照条件下,图2中的待处理图像对应的重打光图像的示意图;图4d示出在图3d所示的光照条件下,图2中的待处理图像对应的重打光图像的示意图。
在本公开实施例中,通过获取待处理图像和所述待处理图像对应的深度图,根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,并根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像,由此基于单张待处理图像和待处理图像对应的深度图即可完成重新打光,无需采集校准过的不同光照条件下的多张RGB图像,从而使图像采集更简便,因此能够适用于广泛的应用场景。另外,通过结合待处理图像对应的深度图,由此利用了待处理图像对应的拍摄场景的深度信息,从而能够更有效地利用待处理图像中的高频信息(例如高光、阴影等信息)进行重新打光,使打光效果更加逼真。
在一种可能的实现方式中,本公开实施例可以采用神经网络对待处理图像和待处理图像对应的深度图进行处理,得到待处理图像对应的重打光图像。其中,神经网络可以是深度神经网络。
在一种可能的实现方式中,所述根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像,包括:根据所述待处理图像和所述深度图,得到所述待处理图像中对象表面的信息;根据所述待处理图像中对象表面的信息和所述阴影图,得到所述待处理图像对应的重打光图像。
在该实现方式中,待处理图像中对象表面的信息,表示待处理图像中的对象的表面的信息。其中,待处理图像中的对象可以是待处理图像中的物体、人等。
在该实现方式中,通过根据所述待处理图像和所述深度图,得到所述待处理图像中对象表面的信息,并根据所述待处理图像中对象表面的信息和所述阴影图,得到所述待处理图像对应的重打光图像,由此能够结合待处理图像中对象表面的信息和所述阴影图,实现更逼真的打光效果。
作为该实现方式的一个示例,所述待处理图像中对象表面的信息包括以下至少之一:所述待处理图像中对象表面的辐照度、所述待处理图像中对象表面的法向量、所述待处理图像中对象表面的材质信息。
在该示例中,辐照度可以指受照单位面积上的辐射通量。辐照度可以表征受辐射能照射的表面上,单位面积单位时间内接收的辐射能的多少,即受照面上的辐射通量密度。因此,待处理图像中对象表面的辐照度可以反映待处理图像中对象表面的性质。在其他示例中,待处理图像中对象表面的辐照度可以采用其他参数替代,例如,可以采用光照度等参数来替代。
在一个例子中,所述待处理图像中对象表面的辐照度可以采用辐照度图来表示。当然,所述待处理图像中对象表面的辐照度也可以采用其他数据形式来表示,例如可以采用表格、矩阵等数据形式来表示。
在该示例中,待处理图像中对象表面的法向量可以包括待处理图像中对象表面的多个像素的法向量,例如,可以包括待处理图像中对象表面的各个像素的法向量。在其他示例中,待处理图像中对象表面的法向量可以采用其他参数替代,例如,可以采用待处理图像中对象的形状参数来替代。
在一个例子中,所述待处理图像中对象表面的法向量可以采用法向量图来表示。当然,所述待处理图像中对象表面的法向量也可以采用其他数据形式来表示,例如可以采用表格、矩阵等数据形式来表示。
在该示例中,待处理图像中对象表面的材质信息可以表示待处理图像中对象表面的粗糙度。在一个例子中,待处理图像中对象表面的各个点的粗糙度的取值范围可以是(0,1],其中,粗糙度越小,粗糙的程度越低,即,粗糙度越小,越光滑。
在该示例中,待处理图像中对象表面的材质信息可以采用双向反射分布函数(Bidirectional Reflectance Distribution Function,BRDF)来表示。当然,也可以其他方式来表示待处理图像中对象表面的材质信息,例如,还可以采用双向散射分布函数(Bidirectional Scattering Distribution Function,BSDF)等来表示待处理图像中对象表面的材质信息,在此不作限定。
在一个例子中,所述待处理图像中对象表面的材质信息可以采用BRDF图来表示。当然,所述待处理图像中对象表面的材质信息也可以采用其他数据形式来表示,例如可以采用表格、矩阵等数据形式来表示。
在一个例子中,所述待处理图像中对象表面的信息包括:所述待处理图像中对象表面的辐照度、所述待处理图像中对象表面的法向量以及所述待处理图像中对象表面的材质信息。
在该示例中,通过采用所述待处理图像中对象表面的辐照度、所述待处理图像中对象表面的法向量、所述待处理图像中对象表面的材质信息中的至少之一,以及所述阴影图,得到所述待处理图像对应的重打光图像,由此能够重构出所述光照条件下的逼真的高频信息的效果(例如高光、阴影等效果),从而能够使重打光图像的打光效果更加逼真。
作为该实现方式的一个示例,所述根据所述待处理图像和所述深度图,得到所述待处理图像中对象表面的信息,包括:提取所述待处理图像和所述深度图的特征信息;根据所述特征信息得到所述待处理图像中对象表面的信息。在该示例中,通过提取所述待处理图像和所述深度图的特征信息,并根据所述特征信息得到所述待处理图像中对象表面的信息,由此能够准确地提取所述待处理图像中对象表面的信息。
作为该实现方式的一个示例,所述提取所述待处理图像和所述深度图的特征信息,包括:将所述待处理图像和所述深度图输入第一子神经网络,经由所述第一子神经网络的编码器提取所述待处理图像和所述深度图的特征信息;所述根据所述特征信息得到所述待处理图像中对象表面的信息,包括:经由所述第一子神经网络的解码器根据所述特征信息得到所述待处理图像中对象表面的信息。
在一个例子中,第一子神经网络可以记为DecomposeNet。例如,所述待处理图像中对象表面的辐照度可以记为Ialbedo,所述待处理图像中对象表面的法向量可以记为Inormal,所述待处理图像中对象表面的材质信息可以记为Iroughness。Ialbedo,Inormal,Iroughness=DecomposeNet(Iflash,D)。在该示例中,通过第一子神经网络对所述待处理图像和所述深度图进行处理,由此能够快速、准确地提取所述待处理图像中对象表面的信息。
在一个例子中,所述第一子神经网络的解码器包括第一解码器、第二解码器和第三解码器中的至少之一;所述经由所述第一子神经网络的解码器根据所述特征信息得到所述待处理图像中对象表面的信息,包括以下至少之一:经由所述第一解码器根据所述特征信息得到所述待处理图像中对象表面的辐照度;经由所述第二解码器根据所述特征信息得到所述待处理图像中对象表面的法向量;经由所述第三解码器根据所述特征信息得到所述待处理图像中对象表面的材质信息。
在这个例子中,第一解码器、第二解码器和第三解码器可以共享第一子神经网络的解码器提取的特征信息,换言之,第一解码器、第二解码器和第三解码器可以共享一个解码器,由此能够将降低第一子神经网络的复杂度,提高第一子神经网络的计算效率。
在这个例子中,第一解码器、第二解码器和第三解码器中的至少一个解码器的网络层可以与所述编码器的中间层跳跃连接,由此第一解码器、第二解码器和第三解码器中的至少一个解码器可以获得待处理图像和深度图中的高频信息,从而有助于使打光效果更逼真。例如,第一解码器、第二解码器和第三解码器的网络层可以均与所述编码器的中间层跳跃连接,由此第一解码器、第二解码器和第三解码器均能够获得待处理图像和深度图中的高频信息。
在这个例子中,编码器、第一解码器、第二解码器和第三解码器的中间层可以采用激活函数,例如可以采用负斜率为-0.1的LeakyReLU激活函数。第一解码器在最后一层可以不采用激活函数。第一解码器可以基于L1损失函数Lalbedo来训练,其中,损失函数Lalbedo可以同时考虑像素值和图像梯度。第二解码器的最后一层可以进行归一化处理。第二解码器可以基于L1损失函数Lnormal来训练,其中,损失函数Lnormal可以同时考虑像素值和图像梯度。第三解码器的最后一层可以采用激活函数,例如可以采用sigmoid激活函数。第三解码器可以基于像素级别的二分类交叉熵激活函数Lroughness来训练。
作为该实现方式的一个示例,所述根据所述待处理图像中对象表面的信息和所述阴影图,得到所述待处理图像对应的重打光图像,包括:根据所述待处理图像中对象表面的信息和所述光照条件,得到在所述光照条件下所述待处理图像对应的渲染图;根据所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像。
例如,所述渲染图可以记为Irender。在该示例中,通过结合根据所述待处理图像中对象表面的信息和所述光照条件渲染得到的渲染图以及所述阴影图,由此能够得到打光效果更逼真的重打光图像。
在一个例子中,所述根据所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像,包括:根据所述待处理图像、所述深度图、所述待处理图像中对象表面的信息和所述深度图对应的转换后的深度数据中的至少之一,以及所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像,其中,所述渲染图用于得到所述重打光图像中对象表面的信息,所述阴影图用于得到所述重打光图像中的阴影信息。
例如,可以根据所述待处理图像、所述深度图对应的转换后的深度数据、所述待处理图像中对象表面的信息、所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像。
例如,可以将所述待处理图像Iflash、所述待处理图像中对象表面的辐照度Ialbedo、所述待处理图像中对象表面的法向量Inormal、所述待处理图像中对象表面的材质信息Iroughness、所述渲染图Irender、所述阴影图Ishadow和所述转换后的深度数据T(w,D)输入第三子神经网络,经由第三子神经网络输出所述待处理图像对应的重打光图像。其中,第三子神经网络可以记为SynthesisNet。例如,所述待处理图像对应的重打光图像可以记为Irelit,Irelit=SynthesisNet(T(w,D),Ialbedo,Inormal,Iroughness,Iflash,Ishadow,Irender)。其中,第三子神经网络可以采用L1损失函数Lrelight来训练,其中,损失函数Lrelight可以同时考虑像素值和图像梯度。
在上述例子中,通过结合所述待处理图像、所述深度图、所述待处理图像中对象表面的信息和所述深度图对应的转换后的深度数据中的至少之一,以及所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像,由此有助于获得更逼真的打光效果。
图5示出本公开实施例提供的神经网络的示意图。如图5所示,所述神经网络可以包括第一子神经网络、第二子神经网络、渲染层和第三子神经网络。其中,第一子神经网络可以包括编码器、第一解码器、第二解码器和第三解码器。可以通过第一子神经网络的编码器提取待处理图像和深度图的特征信息,经由第一解码器根据所述特征信息得到待处理图像中对象表面的辐照度,经由第二解码器根据所述特征信息得到待处理图像中对象表面的法向量,经由第三解码器根据所述特征信息得到待处理图像中对象表面的材质信息。可以根据所述光照条件,对所述深度图进行转换处理,得到所述深度图对应的转换后的深度数据;将所述转换后的深度数据输入第二子神经网络,经由所述第二子神经网络得到待处理图像对应的阴影图。可以通过渲染层根据所述光照条件,对所述待处理图像中对象表面的辐照度、所述待处理图像中对象表面的法向量、所述待处理图像中对象表面的材质信息进行处理,得到在所述光照条件下所述待处理图像对应的渲染图;将所述待处理图像、所述深度图、所述待处理图像中对象表面的辐照度、所述待处理图像中对象表面的法向量、所述待处理图像中对象表面的材质信息、所述渲染图、所述阴影图和所述转换后的深度数据输入第三子神经网络,经由第三子神经网络输出所述待处理图像对应的重打光图像。
本公开实施例中的神经网络可以采用U-Net结构,还可以添加残差网络(ResNet)模块(例如Residual Bottleneck)和/或注意力机制模块等。
在一种可能的实现方式中,在用户指定的第一光照条件是多个第二光照条件的组合的情况下,可以将各个第二光照条件分别作为所述光照条件,得到在各个第二光照条件下、待处理图像对应的重打光图像;根据第一光照条件与多个第二光照条件之间的对应关系,计算在所述多个第二光照条件下、待处理图像对应的重打光图像的加权和,得到在第一光照条件下、待处理图像对应的重打光图像。例如,第一光照条件中的光源可以是环境光源,第二光照条件中的光源可以是单方向光源。即,根据该实现方式,可以将复杂的、多方向的光源拆分为基础的、单方向的光源进行处理,从而能够实现复杂光照条件下的图像重打光。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了对图像打光的装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种对图像打光的方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
图6示出本公开实施例提供的对图像打光的装置的框图。如图6所示,所述对图像打光的装置包括:获取模块61,用于获取待处理图像和所述待处理图像对应的深度图;第一确定模块62,用于根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,其中,所述阴影图用于表示在所述光照条件下所述待处理图像中的阴影区域和非阴影区域;第二确定模块63,用于根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像。
在一种可能的实现方式中,所述第二确定模块63用于:根据所述待处理图像和所述深度图,得到所述待处理图像中对象表面的信息;根据所述待处理图像中对象表面的信息和所述阴影图,得到所述待处理图像对应的重打光图像。
在一种可能的实现方式中,所述待处理图像中对象表面的信息包括以下至少之一:所述待处理图像中对象表面的辐照度、所述待处理图像中对象表面的法向量、所述待处理图像中对象表面的材质信息。
在一种可能的实现方式中,所述第二确定模块63用于:提取所述待处理图像和所述深度图的特征信息;根据所述特征信息得到所述待处理图像中对象表面的信息。
在一种可能的实现方式中,所述第二确定模块63用于:将所述待处理图像和所述深度图输入第一子神经网络,经由所述第一子神经网络的编码器提取所述待处理图像和所述深度图的特征信息;经由所述第一子神经网络的解码器根据所述特征信息得到所述待处理图像中对象表面的信息。
在一种可能的实现方式中,所述第一子神经网络的解码器包括第一解码器、第二解码器和第三解码器中的至少之一;所述第二确定模块63用于以下至少之一:经由所述第一解码器根据所述特征信息得到所述待处理图像中对象表面的辐照度;经由所述第二解码器根据所述特征信息得到所述待处理图像中对象表面的法向量;经由所述第三解码器根据所述特征信息得到所述待处理图像中对象表面的材质信息。
在一种可能的实现方式中,所述第一确定模块62用于:根据所述光照条件,对所述深度图进行转换处理,得到所述深度图对应的转换后的深度数据;根据所述转换后的深度数据,得到所述待处理图像对应的阴影图。
在一种可能的实现方式中,所述第二确定模块63用于:根据所述待处理图像中对象表面的信息和所述光照条件,得到在所述光照条件下所述待处理图像对应的渲染图;根据所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像。
在一种可能的实现方式中,所述第二确定模块63用于:根据所述待处理图像、所述深度图、所述待处理图像中对象表面的信息和所述深度图对应的转换后的深度数据中的至少之一,以及所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像,其中,所述渲染图用于得到所述重打光图像中对象表面的信息,所述阴影图用于得到所述重打光图像中的阴影信息。
在本公开实施例中,通过获取待处理图像和所述待处理图像对应的深度图,根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,并根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像,由此基于单张待处理图像和待处理图像对应的深度图即可完成重新打光,无需采集校准过的不同光照条件下的多张RGB图像,从而使图像采集更简便,因此能够适用于广泛的应用场景。另外,通过结合待处理图像对应的深度图,由此利用了待处理图像对应的拍摄场景的深度信息,从而能够更有效地利用待处理图像中的高频信息(例如高光、阴影等信息)进行重新打光,使打光效果更加逼真。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。其中,所述计算机可读存储介质可以是非易失性计算机可读存储介质,或者可以是易失性计算机可读存储介质。
本公开实施例还提供了一种计算机程序产品,包括计算机可读代码,当计算机可读代码在设备上运行时,设备中的处理器执行用于实现如上任一实施例提供的对图像打光的方法的指令。
本公开实施例还提供了另一种计算机程序产品,用于存储计算机可读指令,指令被执行时使得计算机执行上述任一实施例提供的对图像打光的方法的操作。
本公开实施例还提供一种电子设备,包括:一个或多个处理器;用于存储可执行指令的存储器;其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图7示出本公开实施例提供的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如Wi-Fi、2G、3G、4G/LTE、5G或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8示出本公开实施例提供的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如WindowsMac OS 或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中,所述计算机程序产品具体体现为计算机存储介质,在另一个可选实施例中,计算机程序产品具体体现为软件产品,例如软件开发包(Software Development Kit,SDK)等等。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (12)
1.一种对图像打光的方法,其特征在于,包括:
获取待处理图像和所述待处理图像对应的深度图;
根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,其中,所述阴影图用于表示在所述光照条件下所述待处理图像中的阴影区域和非阴影区域;
根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像。
2.根据权利要求1所述的方法,其特征在于,所述根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像,包括:
根据所述待处理图像和所述深度图,得到所述待处理图像中对象表面的信息;
根据所述待处理图像中对象表面的信息和所述阴影图,得到所述待处理图像对应的重打光图像。
3.根据权利要求2所述的方法,其特征在于,所述待处理图像中对象表面的信息包括以下至少之一:所述待处理图像中对象表面的辐照度、所述待处理图像中对象表面的法向量、所述待处理图像中对象表面的材质信息。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述待处理图像和所述深度图,得到所述待处理图像中对象表面的信息,包括:
提取所述待处理图像和所述深度图的特征信息;
根据所述特征信息得到所述待处理图像中对象表面的信息。
5.根据权利要求4所述的方法,其特征在于,
所述提取所述待处理图像和所述深度图的特征信息,包括:将所述待处理图像和所述深度图输入第一子神经网络,经由所述第一子神经网络的编码器提取所述待处理图像和所述深度图的特征信息;
所述根据所述特征信息得到所述待处理图像中对象表面的信息,包括:经由所述第一子神经网络的解码器根据所述特征信息得到所述待处理图像中对象表面的信息。
6.根据权利要求5所述的方法,其特征在于,所述第一子神经网络的解码器包括第一解码器、第二解码器和第三解码器中的至少之一;
所述经由所述第一子神经网络的解码器根据所述特征信息得到所述待处理图像中对象表面的信息,包括以下至少之一:
经由所述第一解码器根据所述特征信息得到所述待处理图像中对象表面的辐照度;
经由所述第二解码器根据所述特征信息得到所述待处理图像中对象表面的法向量;
经由所述第三解码器根据所述特征信息得到所述待处理图像中对象表面的材质信息。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,包括:
根据所述光照条件,对所述深度图进行转换处理,得到所述深度图对应的转换后的深度数据;
根据所述转换后的深度数据,得到所述待处理图像对应的阴影图。
8.根据权利要求2至6中任意一项所述的方法,其特征在于,所述根据所述待处理图像中对象表面的信息和所述阴影图,得到所述待处理图像对应的重打光图像,包括:
根据所述待处理图像中对象表面的信息和所述光照条件,得到在所述光照条件下所述待处理图像对应的渲染图;
根据所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像。
9.根据权利要求8所述的方法,其特征在于,所述根据所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像,包括:
根据所述待处理图像、所述深度图、所述待处理图像中对象表面的信息和所述深度图对应的转换后的深度数据中的至少之一,以及所述渲染图和所述阴影图,得到所述待处理图像对应的重打光图像,其中,所述渲染图用于得到所述重打光图像中对象表面的信息,所述阴影图用于得到所述重打光图像中的阴影信息。
10.一种对图像打光的装置,其特征在于,包括:
获取模块,用于获取待处理图像和所述待处理图像对应的深度图;
第一确定模块,用于根据所述深度图和光照条件,得到所述待处理图像对应的阴影图,其中,所述阴影图用于表示在所述光照条件下所述待处理图像中的阴影区域和非阴影区域;
第二确定模块,用于根据所述待处理图像和所述阴影图,得到所述待处理图像对应的重打光图像。
11.一种电子设备,其特征在于,包括:
一个或多个处理器;
用于存储可执行指令的存储器;
其中,所述一个或多个处理器被配置为调用所述存储器存储的可执行指令,以执行权利要求1至9中任意一项所述的方法。
12.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至9中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621159.0A CN111815750A (zh) | 2020-06-30 | 2020-06-30 | 对图像打光的方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010621159.0A CN111815750A (zh) | 2020-06-30 | 2020-06-30 | 对图像打光的方法及装置、电子设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815750A true CN111815750A (zh) | 2020-10-23 |
Family
ID=72856673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010621159.0A Withdrawn CN111815750A (zh) | 2020-06-30 | 2020-06-30 | 对图像打光的方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815750A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112489144A (zh) * | 2020-12-14 | 2021-03-12 | Oppo(重庆)智能科技有限公司 | 图像处理方法、图像处理装置、终端设备及存储介质 |
CN113034570A (zh) * | 2021-03-09 | 2021-06-25 | 北京字跳网络技术有限公司 | 图像处理方法、装置和电子设备 |
CN113409186A (zh) * | 2021-06-30 | 2021-09-17 | 上海科技大学 | 基于先验知识的单张图片重打光方法、***、终端及存储介质 |
CN114830627A (zh) * | 2020-11-09 | 2022-07-29 | 谷歌有限责任公司 | 红外光引导的肖像重照明 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354784A (zh) * | 2008-08-21 | 2009-01-28 | 上海交通大学 | 基于图像的真实光源获取及重光照的方法 |
CN101971211A (zh) * | 2008-03-10 | 2011-02-09 | 皇家飞利浦电子股份有限公司 | 用于修改数字图像的方法和设备 |
CN102365657A (zh) * | 2009-03-27 | 2012-02-29 | 汤姆森特许公司 | 在图像中生成阴影的方法 |
CN105447906A (zh) * | 2015-11-12 | 2016-03-30 | 浙江大学 | 基于图像和模型计算光照参数进行重光照渲染的方法 |
CN105825544A (zh) * | 2015-11-25 | 2016-08-03 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN105844695A (zh) * | 2016-03-18 | 2016-08-10 | 山东大学 | 一种基于真实材质测量数据的光照建模方法 |
US20170116754A1 (en) * | 2015-10-27 | 2017-04-27 | Imagination Technologies Limited | Systems and methods for processing images of objects using coarse intrinsic colour estimates |
CN106803256A (zh) * | 2017-01-13 | 2017-06-06 | 深圳市唯特视科技有限公司 | 一种基于投影卷积网络的三维形状分割及语义标记方法 |
CN108010118A (zh) * | 2017-11-28 | 2018-05-08 | 网易(杭州)网络有限公司 | 虚拟对象处理方法、虚拟对象处理装置、介质和计算设备 |
CN108235053A (zh) * | 2016-12-19 | 2018-06-29 | 中国电信股份有限公司 | 交互式渲染方法、设备和*** |
CN108876709A (zh) * | 2018-05-31 | 2018-11-23 | Oppo广东移动通信有限公司 | 人脸美化方法、装置、电子设备及可读存储介质 |
CN109493413A (zh) * | 2018-11-05 | 2019-03-19 | 长春理工大学 | 基于自适应虚拟点光源采样的三维场景全局光照效果绘制方法 |
CN110998669A (zh) * | 2017-08-08 | 2020-04-10 | 索尼公司 | 图像处理装置和方法 |
-
2020
- 2020-06-30 CN CN202010621159.0A patent/CN111815750A/zh not_active Withdrawn
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101971211A (zh) * | 2008-03-10 | 2011-02-09 | 皇家飞利浦电子股份有限公司 | 用于修改数字图像的方法和设备 |
CN101354784A (zh) * | 2008-08-21 | 2009-01-28 | 上海交通大学 | 基于图像的真实光源获取及重光照的方法 |
CN102365657A (zh) * | 2009-03-27 | 2012-02-29 | 汤姆森特许公司 | 在图像中生成阴影的方法 |
US20170116754A1 (en) * | 2015-10-27 | 2017-04-27 | Imagination Technologies Limited | Systems and methods for processing images of objects using coarse intrinsic colour estimates |
CN105447906A (zh) * | 2015-11-12 | 2016-03-30 | 浙江大学 | 基于图像和模型计算光照参数进行重光照渲染的方法 |
CN105825544A (zh) * | 2015-11-25 | 2016-08-03 | 维沃移动通信有限公司 | 一种图像处理方法及移动终端 |
CN105844695A (zh) * | 2016-03-18 | 2016-08-10 | 山东大学 | 一种基于真实材质测量数据的光照建模方法 |
CN108235053A (zh) * | 2016-12-19 | 2018-06-29 | 中国电信股份有限公司 | 交互式渲染方法、设备和*** |
CN106803256A (zh) * | 2017-01-13 | 2017-06-06 | 深圳市唯特视科技有限公司 | 一种基于投影卷积网络的三维形状分割及语义标记方法 |
CN110998669A (zh) * | 2017-08-08 | 2020-04-10 | 索尼公司 | 图像处理装置和方法 |
CN108010118A (zh) * | 2017-11-28 | 2018-05-08 | 网易(杭州)网络有限公司 | 虚拟对象处理方法、虚拟对象处理装置、介质和计算设备 |
CN108876709A (zh) * | 2018-05-31 | 2018-11-23 | Oppo广东移动通信有限公司 | 人脸美化方法、装置、电子设备及可读存储介质 |
CN109493413A (zh) * | 2018-11-05 | 2019-03-19 | 长春理工大学 | 基于自适应虚拟点光源采样的三维场景全局光照效果绘制方法 |
Non-Patent Citations (4)
Title |
---|
SIYING LIU 等: "Inverse Rendering and Relighting From Multiple Color Plus Depth Images", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》, pages 4951 - 4961 * |
ZHENGQIN LI等: "Materials for Masses:SVBRDF Acquisition with a Single Mobile Phone Image", 《ARXIV:1804.05790V1[CC.CV]》, pages 1 - 26 * |
杨克义: "基于单幅图像人脸重光照的算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 8, pages 138 - 295 * |
田玉露 等: "一种大数据驱动的图像重光照方法设计与实现", 《北京电子科技学院学报》, vol. 23, no. 4, pages 76 - 82 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114830627A (zh) * | 2020-11-09 | 2022-07-29 | 谷歌有限责任公司 | 红外光引导的肖像重照明 |
TWI834085B (zh) * | 2020-11-09 | 2024-03-01 | 美商谷歌有限責任公司 | 紅外光引導人像重新打光 |
CN112489144A (zh) * | 2020-12-14 | 2021-03-12 | Oppo(重庆)智能科技有限公司 | 图像处理方法、图像处理装置、终端设备及存储介质 |
CN113034570A (zh) * | 2021-03-09 | 2021-06-25 | 北京字跳网络技术有限公司 | 图像处理方法、装置和电子设备 |
CN113409186A (zh) * | 2021-06-30 | 2021-09-17 | 上海科技大学 | 基于先验知识的单张图片重打光方法、***、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12014275B2 (en) | Method for text recognition, electronic device and storage medium | |
CN109816764B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN111815750A (zh) | 对图像打光的方法及装置、电子设备和存储介质 | |
CN109584362B (zh) | 三维模型构建方法及装置、电子设备和存储介质 | |
CN106598739B (zh) | 视频渲染方法及装置 | |
CN112785672B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
US11216904B2 (en) | Image processing method and apparatus, electronic device, and storage medium | |
CN110928627B (zh) | 界面展示方法及装置、电子设备和存储介质 | |
CN109840917B (zh) | 图像处理方法及装置、网络训练方法及装置 | |
CN108900903B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN111563138B (zh) | 定位方法及装置、电子设备和存储介质 | |
CN111091610B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112767288A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110874809A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN113570581A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112541971A (zh) | 点云地图构建方法及装置、电子设备和存储介质 | |
CN111861942A (zh) | 一种降噪方法及装置、电子设备和存储介质 | |
CN113689361B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN111583142A (zh) | 图像降噪方法及装置、电子设备和存储介质 | |
CN105677352B (zh) | 应用图标颜色的设置方法和装置 | |
CN107730443B (zh) | 图像处理方法、装置及用户设备 | |
CN113660531A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN111354444A (zh) | 病理切片图像的展示方法及装置、电子设备和存储介质 | |
CN112749709A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN112651880B (zh) | 视频数据处理方法及装置、电子设备和存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201023 |