CN117437164A - 一种三维模型纹理增强方法、装置、电子设备和介质 - Google Patents
一种三维模型纹理增强方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN117437164A CN117437164A CN202311491092.3A CN202311491092A CN117437164A CN 117437164 A CN117437164 A CN 117437164A CN 202311491092 A CN202311491092 A CN 202311491092A CN 117437164 A CN117437164 A CN 117437164A
- Authority
- CN
- China
- Prior art keywords
- vegetation coverage
- coverage area
- dimensional model
- enhancement
- vegetation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000011218 segmentation Effects 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 20
- 230000000007 visual effect Effects 0.000 abstract description 6
- 230000008447 perception Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 7
- 238000003709 image segmentation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 241001464837 Viridiplantae Species 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005295 random walk Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007654 immersion Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种三维模型纹理增强方法、装置、电子设备和介质,方法包括:对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域;对所述植被覆盖区域进行特定通道色彩增强,以及对所述非植被覆盖区域进行色彩优化,得到纹理增强三维模型。本发明提高了三维模型视觉效果改善的精度及效率,增强了三维模型的空间感知能力,并且减少了依赖人工处理模型色彩增强的工作量。
Description
技术领域
本发明涉及实景三维模型处理与优化技术领域,具体涉及一种三维模型纹理增强方法、装置、电子设备和介质。
背景技术
随着计算机图形学、计算机视觉和机器学习等领域的快速发展,实景三维模型生成技术得到了极大的改进。通过现代数据采集技术,如激光扫描、摄影测量和无人机航拍等,可以快速获取大量的实景二三维数据。随着自动化和半自动化的模型生成工具的出现,不需要过多的人工干预,即可从现实世界的数据中重建地物几何结构和纹理,生成高质量的实景三维模型。然而,受到光照条件、材质属性等环境影响,以及摄影电子设备的设置不当、曝光不准确或采集电子设备的性能有限,都可能会引发纹理色彩的低对比度和灰暗效果。
实景三维模型的纹理色彩增强对实景三维建设领域具有重要的作用,可以提升模型的视觉效果、增强空间感知,同时也有助于增加用户使用过程中的交互性和沉浸感。图像分割是指将图像划分为具有独特属性或特征的区域的过程。常见的图像分割方法包括阈值分割、边缘检测、区域生长、基于图方法的分割等。这些方法基于不同的原理和准则,通过对像素或区域之间的相似性进行测量和分析,将图像划分为不同的区域。图像色彩增强的方法一般可以分为空域方法、频域方法和混合域方法。空域方法是在原始图像的像素级别上进行操作和处理的方法,包括直方图均衡化、线性滤波等等;频域方法一般通过对图像进行傅里叶变换或其他频域变换来进行图像处理;混合域方法结合了空域和频域方法,利用它们各自的优势进行图像增强,包括双向滤波、双向随机行走等。频域和混合域方法通常都需要利用图像的局部或全局统计信息来进行增强处理。由于纹理图像是由零散且形状不规则的纹理贴图根据最小化存储空间拼接而成的,通常是无序的,即没有一般图像内容上的连续性,无法提供图像中的上下文信息,因此纹理图像的处理需要直接对像素值进行处理。模型的色彩以及纹理通常需要进行人工编辑以达到理想的效果,这不仅费时费力,而且效果难以保证。
发明内容
本发明的目的在于克服上述技术不足,提供一种三维模型纹理增强方法、装置、电子设备和介质,解决现有技术中通过人工在模型编辑软件中调整三维模型颜色,从而导致效率低和效果差的技术问题。
为了解决上述技术问题,本发明采取了以下技术方案:
第一方面,本发明提供了一种三维模型纹理增强方法,包括:
对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域;
对所述植被覆盖区域进行特定通道色彩增强,以及对所述非植被覆盖区域进行色彩优化,得到纹理增强三维模型。
在一些实施例中,所述对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域,包括:
基于过绿指数,确定所述待增强三维模型的过绿灰度图像;
采用预设最大类间方法差对所述过绿灰度图像进行灰度分割,得到植被覆盖区域和非植被覆盖区域。
在一些实施例中,所述采用预设最大类间方法差对所述过绿灰度图像进行灰度分割,得到植被覆盖区域和非植被覆盖区域,包括:
遍历所有预设阈值,确定加权类内方差最小时对应的预设阈值为最佳阈值;
采用所述最佳阈值对所述过绿灰度图像进行二值化分割,确定过绿灰度图像中灰度级大于所述最佳阈值的像素对应的区域为植被覆盖区域,以及过绿灰度图像中灰度级小于所述最佳阈值的像素对应的区域为非植被覆盖区域。
在一些实施例中,所述对所述植被覆盖区域进行特定通道色彩增强,包括:
采用预设的伽马变换对所述植被覆盖区域进行色彩增强,得到增强植被区域图。
在一些实施例中,所述采用预设的伽马变换对所述植被覆盖区域进行色彩增强,得到增强植被区域图,包括:
基于伽马变换函数对所述植被覆盖区域的灰度图像进行变换,以改变图像植被覆盖区域绿色通道的亮度分布,得到增强植被区域图。
在一些实施例中,所述对所述非植被覆盖区域进行色彩优化,包括:
采用预设的改进伽马变换对所述非植被覆盖区域进行色彩优化,得到优化非植被区域图。
在一些实施例中,所述改进伽马变换可通过如下公式表示:
其中,O为伽马值,γ为伽马参数,I为输出参数灰度值。
第二方面,本发明还提供了一种三维模型纹理增强装置,包括:
分割模块,用于对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域;
纹理增强模块,用于对所述植被覆盖区域进行特定通道色彩增强,以及对所述非植被覆盖区域进行色彩优化,得到纹理增强三维模型。
第三方面,本发明还提供了一种电子设备,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如上所述的三维模型纹理增强方法中的步骤。
第四方面,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上所述的三维模型纹理增强方法中的步骤。
与现有技术相比,本发明提供的一种三维模型纹理增强方法、装置、电子设备和介质,首先对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域,充分考虑地物场景下背景与实景的颜色区别大,通过对图像进行分割,并对所述植被覆盖区域进行特定通道色彩增强,以及对所述非植被覆盖区域进行色彩优化,得到纹理增强三维模型,进一步提高了三维模型视觉效果改善的精度及效率,增强了三维模型的空间感知能力,并且减少了依赖人工处理模型色彩增强的工作量。
附图说明
图1是本发明提供的三维模型纹理增强方法的一实施例的流程图;
图2是本发明提供的三维模型纹理增强方法中,步骤S101一实施例的示意图;
图3是本发明提供的三维模型纹理增强方法中,纹理图像植被信息提取结果的一实施例的示意图;
图4是本发明提供的三维模型纹理增强方法中,灰度值在不同参数下的伽马变换的一实施例的示意图;
图5是本发明提供的三维模型纹理增强装置的一实施例的示意图;
图6是本发明提供的电子设备一实施例的运行环境示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图像分割是指将图像划分为具有独特属性或特征的区域的过程,常见的图像分割方法包括阈值分割、边缘检测、区域生长和基于图方法的分割等,这些方法基于不同的原理和准则,通过对像素或区域之间的相似性进行测量和分析,将图像划分为不同的区域。图像色彩增强的方法一般可以分为空域方法、频域方法和混合域方法。空域方法是在原始图像的像素级别上进行操作和处理的方法,包括直方图均衡化、线性滤波等等;频域方法一般通过对图像进行傅里叶变换或其他频域变换来进行图像处理;混合域方法结合了空域和频域方法,利用它们各自的优势进行图像增强,包括双向滤波、双向随机行走等。频域和混合域方法通常都需要利用图像的局部或全局统计信息来进行增强处理。由于纹理图像是由零散且形状不规则的纹理贴图根据最小化存储空间拼接而成的,通常是无序的,即没有一般图像内容上的连续性,无法提供图像中的上下文信息,因此纹理图像的处理需要直接对像素值进行处理。本专利关注实景三维模型纹理图像的低对比度和灰暗效果等问题,提出一种针对纹理图集不同地物类别的空域处理方法。现有技术直接针对纹理图像进行色彩增强的研究相对较少,其具有广阔的研究空间和应用价值。
本发明实施例提供了一种三维模型纹理增强方法,请参阅图1,包括:
S101、对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域;
S102、对所述植被覆盖区域进行特定通道色彩增强,以及对所述非植被覆盖区域进行色彩优化,得到纹理增强三维模型。
在本实施例中,首先对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域,充分考虑地物场景下背景与实景的颜色区别大,通过对图像进行分割,并对所述植被覆盖区域进行特定通道色彩增强,以及对所述非植被覆盖区域进行色彩优化,得到纹理增强三维模型,进一步提高了三维模型视觉效果改善的精度及效率,增强了三维模型的空间感知能力,并且减少了依赖人工处理模型色彩增强的工作量。
需要说明的是,地物类别是指地理空间中不同类型的地物或地貌特征,用于描述地表上不同的物体或景象。地物类别通常用于地理信息***(GIS)、遥感影像分析、地图制图等领域。地物类别可以是自然地理要素,如水体、森林、草地、山脉、河流等;也可以是人为建设或人工设施,如建筑物、道路、桥梁、农田、城市等,不同的地物类别拥有不同的特征和属性,可以通过特定的分类***进行归类。于本实施例中,为了更好的修复图像低对比度和灰暗的问题,根据地物图像的特性,将图像分割为绿植覆盖区域和非绿植覆盖区域,从而更好的对图像进行色彩增强,提高了图像色彩增强的效率和效果。
进一步的,图像分割是指将图像划分为具有独特属性的不同区域的过程,本发明实施例基于纹理空间的过绿指数对图像进行阈值分割,以二值法划分出植被覆盖区与非植被覆盖区,以便于针对不同类别地物的色彩增强处理。在图像色彩增强处理中,在像素级别处理的伽马变换方法是一种常用的色彩增强技术,通过调整图像亮度和对比度改善图像的外观和视觉效果,具体的,通过非线性的灰度变换函数来改变图像的亮度分布,使纹理细节更加鲜明。本发明实施例在图像分割的基础上改进伽马变换,实现顾及地物类别的纹理图像色彩增强处理。
在一个具体的实施例中,所述对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域,请参阅图2,包括:
S201、基于过绿指数,确定所述待增强三维模型的过绿灰度图像;
S202、采用预设最大类间方法差对所述过绿灰度图像进行灰度分割,得到植被覆盖区域和非植被覆盖区域。
在本实施例中,与高光谱或全色影像的地物类别分割不同,倾斜摄影测量使用的可见光摄像机只能获取红、绿、蓝三个通道的影像,无法获得传统的归一化植被指数NDVI等遥感影像分类常见指标。因此,基于可见光的三个波段通道来构建指标,将模型纹理图像分割为植被覆盖区域与非植被覆盖区域。在倾斜摄影模型中,图像的纹理空间由红、绿、蓝三个颜色通道的彩色图像组成,植被覆盖区域与非植被覆盖区域在这三个颜色分量上的取值有不同的特征。通过对不同颜色分量进行组合,可以对图像中的每个像素点进行转换,以增强植被与非植被覆盖区域之间的对比度,可以更好地识别植被与非植被覆盖类别。于本实施例中,使用可见光波段指数——过绿指数(ExG):
ExG=2g’-r′-b′
式中,r′、g′、b′分别为图像RGB颜色空间中的红、绿、蓝三通道灰度值的归一化值,即r′=R/(R+G+B),g′=G/(R+G+B),b′=B(R+G+B),R、G、B分别为红、绿、蓝3波段的像素值。
得到计算过绿指数的灰度图后,使用最大类间方差法进行灰度分割。最大类间方差算法是基于最大化目标与背景之间的类间方差自动确定阈值的全局二值化算法,算法试图找到一个阈值t,使公式(2)给出的加权类内方差最小。
其中为灰度图的加权类内方差,q1(t)和/>分别为前景目标像素占总像素数的比例和灰度方差,q2(t)和/>分别为背景像素占总像素数的比例和灰度方差。算法通过遍历所有可能的阈值(0~255),并计算对应的类内方差,找到使/>最小的最佳阈值t,并使用最佳阈值将图像进行二值化,灰度级小于等于阈值的像素设置为背景,大于阈值的像素设置为前景,分割结果二值化图像如图3所示。
在一些实施例中,所述对所述植被覆盖区域进行特定通道色彩增强,包括:
采用预设的伽马变换对所述植被覆盖区域进行色彩增强,得到增强植被区域图。
通过调整植被覆盖区域绿色通道的像素灰度值来增强植被的颜色。一般可以通过增加绿色通道的增益,使植被覆盖区域的绿色更加突出,例如调整颜色增益参数或者直接乘以一个增益系数来实现。为了防止在色彩增强时灰度值溢出或图像失真,在本实施例中,使用基于灰度值的伽马变换来进行增强处理,伽马变换的函数如图4所示,通过非线性的灰度变换函数来改变图像植被覆盖区域绿色通道的亮度分布,可以调整较低的伽马值来降低整体对比度,提高绿色的亮度,使植被纹理更加鲜艳柔和。
在一些实施例中,所述对所述非植被覆盖区域进行色彩优化,包括:
采用预设的改进伽马变换对所述非植被覆盖区域进行色彩优化,得到优化非植被区域图。
需要说明的是,非植被覆盖区域的色彩增强方式为对纹理空间中该区域的像素进行处理,包括对比度、饱和度以及亮度的增强。
对比度拉伸通过线性或非线性变换来增加像素之间的差异,提高图像的视觉效果,本发明实施例针对原始纹理图像中低对比度与灰暗的特点改进伽马变换,对于输入灰度值I,非线性变换的映射输出值O由公式(3)计算,具体如下:
其中,γ为伽马参数,I为输出参数灰度值。
饱和度和亮度的增强可以使建筑区域颜色更加鲜艳。使用色彩空间转换,将图像从RGB色彩空间转换到HSV(色相、饱和度、亮度)色彩空间,然后通过区间函数(公式4)来增加饱和度通道的像素值来实现饱和度的增强,通过伽马变换修改亮度通道的像素值来实现亮度的增强,增强完成后通过色彩空间变换回RGB空间。
需要说明的是,公式(4)具体如下:
基于上述三维模型纹理增强方法,本发明实施例还相应的提供一种三维模型纹理增强装置500,请参阅图5,该三维模型纹理增强装置500包括分割模块510和纹理增强模块520。
分割模块510,用于对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域;
纹理增强模块520,用于对所述植被覆盖区域进行特定通道色彩增强,以及对所述非植被覆盖区域进行色彩优化,得到纹理增强三维模型。
如图6所示,基于上述三维模型纹理增强方法,本发明还相应提供了一种电子设备,该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器610、存储器620及显示器630。图6仅示出了电子设备的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代的实施更多或者更少的组件。
存储器620在一些实施例中可以是该电子设备的内部存储单元,例如电子设备的硬盘或内存。存储器620在另一些实施例中也可以是电子设备的外部存储电子设备,例如电子设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器620还可以既包括电子设备的内部存储单元也包括外部存储电子设备。存储器620用于存储安装于电子设备的应用软件及各类数据,例如安装电子设备的程序代码等。存储器620还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中,存储器620上存储有三维模型纹理增强程序640,该三维模型纹理增强程序640可被处理器610所执行,从而实现本申请各实施例的三维模型纹理增强方法。
处理器610在一些实施例中可以是一中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器620中存储的程序代码或处理数据,例如执行三维模型纹理增强方法等。
显示器630在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器630用于显示在所述三维模型纹理增强电子设备的信息以及用于显示可视化的用户界面。电子设备的部件610-630通过***总线相互通信。
当然,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关硬件(如处理器,控制器等)来完成,所述的程序可存储于一计算机可读取的存储介质中,该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (10)
1.一种三维模型纹理增强方法,其特征在于,包括:
对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域;
对所述植被覆盖区域进行特定通道色彩增强,以及对所述非植被覆盖区域进行色彩优化,得到纹理增强三维模型。
2.根据权利要求1所述的三维模型纹理增强方法,其特征在于,所述对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域,包括:
基于过绿指数,确定所述待增强三维模型的过绿灰度图像;
采用预设最大类间方法差对所述过绿灰度图像进行灰度分割,得到植被覆盖区域和非植被覆盖区域。
3.根据权利要求2所述的三维模型纹理增强方法,其特征在于,所述采用预设最大类间方法差对所述过绿灰度图像进行灰度分割,得到植被覆盖区域和非植被覆盖区域,包括:
遍历所有预设阈值,确定加权类内方差最小时对应的预设阈值为最佳阈值;
采用所述最佳阈值对所述过绿灰度图像进行二值化分割,确定过绿灰度图像中灰度级大于所述最佳阈值的像素对应的区域为植被覆盖区域,以及过绿灰度图像中灰度级小于所述最佳阈值的像素对应的区域为非植被覆盖区域。
4.根据权利要求3所述的三维模型纹理增强方法,其特征在于,所述对所述植被覆盖区域进行特定通道色彩增强,包括:
采用预设的伽马变换对所述植被覆盖区域进行色彩增强,得到增强植被区域图。
5.根据权利要求4所述的三维模型纹理增强方法,其特征在于,所述采用预设的伽马变换对所述植被覆盖区域进行色彩增强,得到增强植被区域图,包括:
基于伽马变换函数对所述植被覆盖区域的灰度图像进行变换,以改变图像植被覆盖区域绿色通道的亮度分布,得到增强植被区域图。
6.根据权利要求1所述的三维模型纹理增强方法,其特征在于,所述对所述非植被覆盖区域进行色彩优化,包括:
采用预设的改进伽马变换对所述非植被覆盖区域进行色彩优化,得到优化非植被区域图。
7.根据权利要求6所述的三维模型纹理增强方法,其特征在于,所述改进伽马变换可通过如下公式表示:
其中,O为伽马值,γ为伽马参数,I为输出参数灰度值。
8.一种三维模型纹理增强装置,其特征在于,包括:
分割模块,用于对待增强三维模型进行地物类别分割,得到植被覆盖区域和非植被覆盖区域;
纹理增强模块,用于对所述植被覆盖区域进行特定通道色彩增强,以及对所述非植被覆盖区域进行色彩优化,得到纹理增强三维模型。
9.一种电子设备,其特征在于,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如权利要求1-7任一项所述的三维模型纹理增强方法中的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-7任一项所述的三维模型纹理增强方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311491092.3A CN117437164A (zh) | 2023-11-08 | 2023-11-08 | 一种三维模型纹理增强方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311491092.3A CN117437164A (zh) | 2023-11-08 | 2023-11-08 | 一种三维模型纹理增强方法、装置、电子设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117437164A true CN117437164A (zh) | 2024-01-23 |
Family
ID=89553235
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311491092.3A Pending CN117437164A (zh) | 2023-11-08 | 2023-11-08 | 一种三维模型纹理增强方法、装置、电子设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117437164A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814715A (zh) * | 2020-07-16 | 2020-10-23 | 武汉大势智慧科技有限公司 | 一种地物分类方法及装置 |
CN114359305A (zh) * | 2021-12-31 | 2022-04-15 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN114612387A (zh) * | 2022-02-16 | 2022-06-10 | 珠江水利委员会珠江水利科学研究院 | 基于特征阈值的遥感影像融合方法、***、设备及介质 |
CN114897706A (zh) * | 2021-09-23 | 2022-08-12 | 武汉九天高分遥感技术有限公司 | 一种全色多光谱影像融合的绿色植被增强方法 |
KR20230140832A (ko) * | 2022-03-30 | 2023-10-10 | 창원대학교 산학협력단 | 드론 및 인공지능을 활용한 도시 공간정보 매핑 방법 및 장치 |
-
2023
- 2023-11-08 CN CN202311491092.3A patent/CN117437164A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814715A (zh) * | 2020-07-16 | 2020-10-23 | 武汉大势智慧科技有限公司 | 一种地物分类方法及装置 |
CN114897706A (zh) * | 2021-09-23 | 2022-08-12 | 武汉九天高分遥感技术有限公司 | 一种全色多光谱影像融合的绿色植被增强方法 |
CN114359305A (zh) * | 2021-12-31 | 2022-04-15 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN114612387A (zh) * | 2022-02-16 | 2022-06-10 | 珠江水利委员会珠江水利科学研究院 | 基于特征阈值的遥感影像融合方法、***、设备及介质 |
KR20230140832A (ko) * | 2022-03-30 | 2023-10-10 | 창원대학교 산학협력단 | 드론 및 인공지능을 활용한 도시 공간정보 매핑 방법 및 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | An efficient visibility enhancement algorithm for road scenes captured by intelligent transportation systems | |
He et al. | Haze removal using the difference-structure-preservation prior | |
CN111798467B (zh) | 一种图像分割方法、装置、设备及存储介质 | |
Jiang et al. | Image dehazing using adaptive bi-channel priors on superpixels | |
US9633263B2 (en) | Appearance modeling for object re-identification using weighted brightness transfer functions | |
CN109753878B (zh) | 一种恶劣天气下的成像识别方法及*** | |
CN108399424B (zh) | 一种点云分类方法、智能终端及存储介质 | |
US20130342694A1 (en) | Method and system for use of intrinsic images in an automotive driver-vehicle-assistance device | |
CN110675334A (zh) | 一种图像增强方法及装置 | |
Cui et al. | Single image dehazing by latent region‐segmentation based transmission estimation and weighted L1‐norm regularisation | |
Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
CN115294483A (zh) | 输电线路复杂场景的小目标识别方法及*** | |
Fu et al. | Multi-feature-based bilinear CNN for single image dehazing | |
Wang et al. | Haze removal algorithm based on single-images with chromatic properties | |
CN114187515A (zh) | 图像分割方法和图像分割装置 | |
CN110059704B (zh) | 一种视觉注意模型驱动的稀土矿区遥感信息智能提取方法 | |
He et al. | Effective haze removal under mixed domain and retract neighborhood | |
CN116543325A (zh) | 基于无人机影像的农作物人工智能自动识别方法和*** | |
CN111062341A (zh) | 视频图像区域的分类方法、装置、设备及存储介质 | |
CN117437164A (zh) | 一种三维模型纹理增强方法、装置、电子设备和介质 | |
CN112949617B (zh) | 农村道路类型识别方法、***、终端设备及可读存储介质 | |
CN115631108A (zh) | 一种基于rgbd的图像去雾方法及相关设备 | |
CN113034555B (zh) | 一种基于最小生成树的特征精匹配方法及应用 | |
Guo et al. | Single Image Dehazing Using Adaptive Sky Segmentation | |
Yang et al. | Single image dehazing algorithm based on double exponential attenuation model |
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 |