曹天池，李秀實(shí)，李 丹，陳嘉南，劉 爽，向未來(lái)，胡迎松

(華中科技大學(xué)計(jì)算機(jī)學(xué)院，湖北 武漢 430074)

1 引言

增強(qiáng)現(xiàn)實(shí)技術(shù)將虛擬的信息合成到真實(shí)世界中，有效地提高了用戶對(duì)于現(xiàn)實(shí)場(chǎng)景的交互體驗(yàn)。實(shí)現(xiàn)真實(shí)的增強(qiáng)現(xiàn)實(shí)效果的關(guān)鍵在于保持虛擬對(duì)象與現(xiàn)實(shí)世界對(duì)象之間的一致性，一致性可以劃分為時(shí)間一致性、光照一致性和幾何一致性[1]。目前時(shí)間一致性與幾何一致性的相關(guān)研究已經(jīng)趨于成熟，而光照一致性仍然面臨著許多挑戰(zhàn)。

在實(shí)際的復(fù)雜動(dòng)態(tài)光照環(huán)境下，有效的光照估計(jì)是實(shí)現(xiàn)光照一致性的重要先決條件之一，尤其從單幅圖像中估計(jì)出場(chǎng)景光照的信息是一個(gè)復(fù)雜的、具有挑戰(zhàn)性的任務(wù)。一幅圖像里的光照強(qiáng)度是一個(gè)疊加了場(chǎng)景中的材質(zhì)屬性信息、光照信息和場(chǎng)景幾何信息等信息的函數(shù)[2]。以往的光照估計(jì)方法常?；\統(tǒng)地將場(chǎng)景材質(zhì)假設(shè)為漫反射表面，并采用局部照明模型對(duì)照明進(jìn)行模擬，當(dāng)場(chǎng)景中存在大量的鏡面反射材質(zhì)或者相近材質(zhì)時(shí)(比如海面或者玻璃表面較多的場(chǎng)景)，這種方法并不能從有限的線索中準(zhǔn)確地還原出光照信息。

早期的光照估計(jì)方法多借助輔助標(biāo)志物進(jìn)行，利用一個(gè)已知表面材質(zhì)屬性的立方體作為標(biāo)志物，通過(guò)陰影或表面圖像分析來(lái)獲取光照信息。1998年，Debevec[3]通過(guò)組合采用不同的曝光時(shí)間拍攝的多幅鏡面小球圖像制作高動(dòng)態(tài)范圍環(huán)境圖，并估算出局部場(chǎng)景的雙向反射分布函數(shù)。這類方法對(duì)基于圖像的虛擬物體渲染起到了很大作用，但其缺點(diǎn)是需要大量的預(yù)處理操作。隨著圖像分析技術(shù)的進(jìn)步，基于圖像的方法也應(yīng)用于光照估計(jì)，這一類方法可以分為深度方法和數(shù)學(xué)方法，深度方法應(yīng)用深度神經(jīng)網(wǎng)絡(luò)，從單幅圖像中恢復(fù)場(chǎng)景光照?qǐng)D。比如Zhang等[4]提出的深度自動(dòng)編碼器，通過(guò)在合成數(shù)據(jù)集上訓(xùn)練，學(xué)習(xí)回歸非線性飽和地動(dòng)態(tài)范圍全景圖的高動(dòng)態(tài)光照。Hold-Geoffroy等[5]利用全景圖中提取的單幅圖像訓(xùn)練CNN網(wǎng)絡(luò)。而本文所關(guān)注的數(shù)學(xué)方法通常不需要獲取大量的數(shù)據(jù)集，具備較好的靈活性。Liu等[6]通過(guò)對(duì)視頻流中的每一幀圖像提取稀疏平面特征點(diǎn)來(lái)估計(jì)太陽(yáng)光和天空的相對(duì)強(qiáng)度。Chen等[7]利用語(yǔ)義約束選擇幾何模型上的微表面，結(jié)合陰影圖像和反射率圖像來(lái)估計(jì)場(chǎng)景中的照明參數(shù)，實(shí)現(xiàn)較真實(shí)的虛擬物體渲染效果。

本文提出了一種基于像素聚類方法的圖像分解算法對(duì)圖像進(jìn)行反射光的分解，并提出了一種利用場(chǎng)景中分解出的不同反射分量估算場(chǎng)景照明信息的全局光照估計(jì)算法。該算法綜合考慮場(chǎng)景中的反射分量，利用全局照明模型，得到了光源的位置和顏色信息，然后利用基于物理的渲染將虛擬物體插入到圖像中，實(shí)現(xiàn)具有光照一致性的渲染效果。和前人的研究相比，本文算法不需要任何輔助標(biāo)志物或者在場(chǎng)景中插入光探針，也不需要對(duì)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，僅通過(guò)數(shù)學(xué)分析單幅圖像估計(jì)光照實(shí)現(xiàn)具有真實(shí)性的渲染效果。

2 圖像分解

為了更準(zhǔn)確地進(jìn)行全局光照估計(jì)，需要使用圖像分解算法準(zhǔn)確地分離圖像中的鏡面反射分量。本文所提出的圖像分解算法首先在具有鏡面高光的場(chǎng)景中估計(jì)出一幅場(chǎng)景圖像的無(wú)鏡面反射圖估算圖，并通過(guò)像素聚類分離出場(chǎng)景的鏡面反射圖和漫反射圖，然后對(duì)漫反射圖進(jìn)一步分解，得到場(chǎng)景的反照率圖和陰影圖。

2.1 強(qiáng)度比與無(wú)鏡面反射估算圖

在具有鏡面反光的輸入圖像中，對(duì)于相同的顏色表面，鏡面反射高光的部分通常包含僅具有漫反射分量的像素和同時(shí)具有漫反射和鏡面反射分量的像素。后文會(huì)定義一個(gè)色度空間，并在色度空間中對(duì)像素進(jìn)行聚類，以分離不同像素。

本小節(jié)的分類標(biāo)準(zhǔn)依賴于強(qiáng)度比的定義。首先定義Imin(x)和Imax(x)分別為儲(chǔ)存x像素RGB三通道強(qiáng)度的最小值和最大值的單通道圖像；定義Ir(x)為存儲(chǔ)最大值和最小值單通道圖像的差值圖像，得到的結(jié)果同樣是單通道圖像，該差值圖像不再包含雙色反射模型中的鏡面反射部分，因此是無(wú)鏡面的圖像。根據(jù)Shen等[8]提出的強(qiáng)度比定義，強(qiáng)度比值為最大值和差值的比值：

(1)

為了排除與鏡面反射部分無(wú)關(guān)的像素來(lái)減少計(jì)算量，需要?jiǎng)澐殖龈吖鈪^(qū)域。高光區(qū)域的計(jì)算需要對(duì)像素的漫反射色度值進(jìn)行計(jì)算。將無(wú)鏡面反射估算圖(Specular-free)作為漫反射分量的偽表示。為了方便計(jì)算，將原圖像減去RGB分量的最小值單通道圖像的結(jié)果作為無(wú)鏡面反射估算圖，定義為Isf。對(duì)于每個(gè)像素，其無(wú)鏡面反射估算圖的漫反射色度估計(jì)值可以表示為Λsf：

(2)

由漫反射色度可以計(jì)算出每個(gè)像素的最小強(qiáng)度，將每個(gè)像素的計(jì)算結(jié)果與平均最小像素強(qiáng)度進(jìn)行比較，判斷像素是否屬于高光區(qū)域，以便進(jìn)行下一步的像素聚類。

2.2 像素聚類方法

為了將高光區(qū)域內(nèi)的像素分離為鏡面反射分量和漫反射分量，需要將這些像素分類，每類像素使用不同的區(qū)分標(biāo)準(zhǔn)進(jìn)行反射類型的劃分。本文使用K-means聚類方法對(duì)像素進(jìn)行分類，需要率先定義分類的個(gè)數(shù)和初始種子。本文通過(guò)將相關(guān)區(qū)域的像素投影到最小-最大色度空間中來(lái)對(duì)這些具有相同擴(kuò)散色度的像素進(jìn)行聚類。聚類算法需要首先選定聚類的初始簇種子，為了確定初始種子的選擇，接下來(lái)需要對(duì)最小-最大色度空間進(jìn)行數(shù)學(xué)分析。首先，根據(jù)式(2)可以從無(wú)鏡面反射估算圖獲得偽漫反射色度，由此可將偽漫反射色度重寫(xiě)為：

(3)

Figure 1 Chromaticity space of the pixels圖1 像素所在色度空間

之后基于這個(gè)推導(dǎo)便能對(duì)高光區(qū)域的像素進(jìn)行K-means聚類，首先初始化聚類中心，根據(jù)上述推導(dǎo)，處于三角形頂點(diǎn)的像素具有最小色度或者最大色度的極值，更容易被檢測(cè)到，并且還能消除選擇簇種子的隨機(jī)性，選擇頂點(diǎn)像素作為起始像素。之后將輸入圖像的相關(guān)像素與最近的初始簇種子相關(guān)聯(lián)，將不同類別的像素分配給最近的聚類。最后，在分配之后需要計(jì)算新的聚類中心點(diǎn)，將每個(gè)簇種子的位置更新為在色度空間中投影的與其相關(guān)聯(lián)的像素集合的質(zhì)心，再將每個(gè)像素重新與最近的簇種子相互關(guān)聯(lián)起來(lái)。重復(fù)迭代上述的過(guò)程經(jīng)過(guò)一定的次數(shù)，直至沒(méi)有數(shù)據(jù)再更改聚類，整個(gè)聚類過(guò)程收斂便可以得到最終的結(jié)果。

通過(guò)對(duì)高光區(qū)域的像素進(jìn)行聚類能夠?qū)⑾嚓P(guān)像素有效地分離成不同的聚類，分離之后，需要為每個(gè)聚類確定能夠?qū)㈢R面反射像素與漫反射像素區(qū)分開(kāi)的強(qiáng)度比。對(duì)聚類結(jié)果中的每個(gè)聚類的像素強(qiáng)度比進(jìn)行升序排列，以聚類結(jié)果的像素質(zhì)心強(qiáng)度比作為分離標(biāo)準(zhǔn)，劃分出漫反射像素和鏡面反射像素。

對(duì)于分離的結(jié)果可能存在高頻偽像的情況，本文對(duì)鏡面反射結(jié)果進(jìn)行進(jìn)一步處理，對(duì)反射分量應(yīng)用高頻強(qiáng)調(diào)濾波器來(lái)突出錯(cuò)誤部分，這種濾波器是一個(gè)二維傅里葉濾波，通過(guò)強(qiáng)調(diào)邊緣來(lái)銳化圖像?？梢圆捎猛ㄓ玫?×3盒式低通濾波器構(gòu)造。對(duì)于所得到的漫反射圖像和鏡面反射圖像，分別令它們通過(guò)高頻強(qiáng)調(diào)濾波，得到的結(jié)果再合并成一幅完整的組合圖像，將這幅組合圖像與將輸入圖像經(jīng)過(guò)高頻強(qiáng)調(diào)濾波的結(jié)果圖進(jìn)行比較，如果分離正確無(wú)誤，這種方法得到的2幅圖像應(yīng)該是趨近于相同的。基于相似性函數(shù)進(jìn)行分析并優(yōu)化結(jié)果，即可提高反射分量的分離精度。

2.3 本征圖像分解

為了進(jìn)行后續(xù)的光照估計(jì)實(shí)驗(yàn)，不僅需要對(duì)圖像進(jìn)行反射類型的分解，同樣地，為了獲取準(zhǔn)確的光源方向和顏色渲染，還需要處理分離后的漫反射圖像。在場(chǎng)景照明的過(guò)程中，漫反射往往起到主導(dǎo)作用，若想準(zhǔn)確估計(jì)出場(chǎng)景的光照信息，漫反射圖像的信息是不可或缺的。本征圖像分解的目的在于將漫反射圖像分解為陰影部分和反射率部分，利用分解后的本征圖像，結(jié)合上一步分離得到的鏡面反射信息，可以在后續(xù)實(shí)驗(yàn)中得到準(zhǔn)確的光照分析結(jié)果。

3 全局光照估計(jì)算法

根據(jù)圖像分解的結(jié)果，通過(guò)反射量信息和圖像陰影信息，結(jié)合場(chǎng)景三維結(jié)構(gòu)便能推導(dǎo)出光源的位置和顏色信息，從而對(duì)場(chǎng)景重新點(diǎn)亮，對(duì)虛擬物體進(jìn)行渲染。

3.1 光照模型與深度估計(jì)

照明模型用于生成物體表面在指定點(diǎn)上的顏色，選擇合適的照明模型對(duì)于圖像中虛擬物體的視覺(jué)效果是非常重要的，由于本文加入了對(duì)圖像中鏡面反射元素的估計(jì)，在選取光照模型時(shí)需要將漫反射模型與鏡面反射模型相結(jié)合來(lái)達(dá)到最好的實(shí)驗(yàn)效果。由于Torrance-Sparrow模型在計(jì)算反射光強(qiáng)度時(shí)可以將表面半球的所有方向入射光線進(jìn)行積分，大大提高了光照計(jì)算的準(zhǔn)確性，因此本文采用該光照模型。

在第2節(jié)對(duì)一幅輸入的RGB圖像獲取了其中的色彩信息和陰影信息，用于估計(jì)場(chǎng)景中的光照色度和光照方向，在實(shí)驗(yàn)中為了利用所獲取的這些信息，還需要通過(guò)圖像獲得場(chǎng)景的三維結(jié)構(gòu)信息。場(chǎng)景的三維點(diǎn)云可以有效地結(jié)合圖像反射和圖像陰影信息來(lái)計(jì)算像素間的位置關(guān)系，從而得出光照估計(jì)結(jié)果，因此在進(jìn)行場(chǎng)景光照估計(jì)之前，首先需要獲取場(chǎng)景的三維結(jié)構(gòu)。通過(guò)單幅圖像獲取場(chǎng)景的深度信息有很多方法，許多現(xiàn)有的方法能夠估計(jì)出小尺度的室內(nèi)場(chǎng)景結(jié)構(gòu)信息，但是對(duì)于室外大尺度場(chǎng)景并不能得到精確的結(jié)果。Saxena等[10]的方法利用二維圖像中不同部分的關(guān)系來(lái)理解場(chǎng)景的三維結(jié)構(gòu)，其模型通過(guò)監(jiān)督學(xué)習(xí)使用訓(xùn)練集進(jìn)行訓(xùn)練，在室內(nèi)室外場(chǎng)景都能取得較好的效果。本文對(duì)該方法進(jìn)行了改進(jìn)以將其應(yīng)用在光照估計(jì)算法中。

3.2 光源位置估計(jì)

本小節(jié)利用鏡面陰影和漫反射陰影得到光源位置信息，適用于單一光源或多光源場(chǎng)景。

首先使用鏡面反射的陰影來(lái)估算場(chǎng)景中的光源位置，對(duì)于分離出的鏡面反射圖像中的強(qiáng)度較大的圖像區(qū)域，可以通過(guò)鏡面光斑的3D位置，結(jié)合還原出的三維點(diǎn)云，得到反射光的方向以及這些區(qū)域的表面法線。通過(guò)這些信息可以獲得光源位置。本文通過(guò)鏡面反射信息估算出的光源方向向量Ls的定義如式(4)所示：

(4)

利用鏡面信息估計(jì)出光源位置之后，再使用漫反射陰影信息估計(jì)出一個(gè)光源位置來(lái)幫助優(yōu)化結(jié)果。通過(guò)使用加速魯棒特征算法來(lái)計(jì)算特征點(diǎn)，這些特征點(diǎn)被選為圖像中對(duì)象輪廓的關(guān)鍵點(diǎn)，通過(guò)檢測(cè)相同物體的陰影數(shù)量來(lái)估計(jì)場(chǎng)景中的光源數(shù)量。再結(jié)合3.1節(jié)中估計(jì)出的深度信息可以獲得這些對(duì)象輪廓和陰影點(diǎn)的3D位置。結(jié)合這些同樣可以確定光源的大致方向Ld，如式(5)表示：

(5)

其中，E是一組場(chǎng)景中對(duì)象的輪廓采樣關(guān)鍵點(diǎn)數(shù)量，pi是關(guān)鍵點(diǎn)的3D位置，di是關(guān)鍵點(diǎn)的陰影位置。R表示光源與輪廓點(diǎn)之間的平均差值向量。接下來(lái)結(jié)合鏡面反射和漫反射2個(gè)陰影所估計(jì)出的結(jié)果，通過(guò)線性組合可以得到場(chǎng)景光源的初始化位置。之后利用最優(yōu)化的方法來(lái)逼近光源位置的真實(shí)值，當(dāng)場(chǎng)景中有多個(gè)相同顏色的燈光時(shí)利用式(6)來(lái)估計(jì)每個(gè)燈光的位置：

(6)

其中,N為光源數(shù)量，Li表示第i個(gè)光源的光照，上標(biāo)s代表鏡面反射，d代表漫反射。初始化光源后通過(guò)式(6)來(lái)估計(jì)場(chǎng)景中N個(gè)光源的最終位置。在實(shí)驗(yàn)最優(yōu)化的步驟中通過(guò)設(shè)置閾值和迭代次數(shù)來(lái)逼近最優(yōu)結(jié)果。

3.3 反照率估計(jì)

獲得光源位置之后，本小節(jié)利用不同反射量計(jì)算光照顏色，以在后續(xù)渲染中使效果更加真實(shí)。為了從鏡面反射項(xiàng)得到準(zhǔn)確的光源色度信息，本文在實(shí)施分離后將場(chǎng)景光源顏色估計(jì)為圖像中的鏡面像素平均色度，然后對(duì)原始圖像歸一化為新的場(chǎng)景光源顏色，再進(jìn)行圖像分解，直到場(chǎng)景的估計(jì)光源色度收斂，這時(shí)得到的就是場(chǎng)景中的實(shí)際光源色度，可直接用于場(chǎng)景鏡面反射部分的顏色渲染。

此外，對(duì)漫反射部分進(jìn)行渲染的時(shí)候需要考慮漫反射的觀察顏色問(wèn)題。根據(jù)渲染方程，漫反射圖像中的場(chǎng)景材料表面為朗伯表面，考慮到可視程度，則到達(dá)相機(jī)方向的光線可以由式(7)表示：

(7)

其中,Li(l)表示方向l的入射光輻射率，θ為入射角，V表示從頂點(diǎn)到視點(diǎn)的向量，ω為初始化系數(shù)。進(jìn)行反照率估計(jì)的目標(biāo)是確定光照Li，使得在給定場(chǎng)景三維結(jié)構(gòu)和相機(jī)參數(shù)的情況下能夠產(chǎn)生盡可能接近分離出的陰影層的結(jié)果，將著色的誤差用式(9)定義為：

Es=∑p(S(x(p))-Sv(p))2

(8)

其中,p是圖像平面中的像素位置，S(x(p))為三維空間中的著色值，Sv(p)為圖像平面中的著色值,下標(biāo)v代表觀察方向。環(huán)境貼圖對(duì)于漫反射部分更適合用于進(jìn)行整個(gè)環(huán)境的照亮，從數(shù)學(xué)上可以表示為一些基函數(shù)的線性組合，例如球諧函數(shù)，這種方法對(duì)光照強(qiáng)度的變換更加靈敏,在球坐標(biāo)的基礎(chǔ)上可以將需要估計(jì)的光照Li寫(xiě)為加權(quán)和：Li=∑kαklk，其中αk和lk代表超像素k的平面參數(shù)和λ射光方向，代入式(7)改寫(xiě)渲染方程，便可以把目標(biāo)函數(shù)改寫(xiě)為二次形式：

(9)

其中,α和sp是第k個(gè)分量分別為αk和sk(x)的向量,sk(x)是指每一個(gè)基礎(chǔ)的lk所貢獻(xiàn)的基礎(chǔ)著色值。選擇了一組基函數(shù)后，可以通過(guò)最小化目標(biāo)函數(shù)來(lái)計(jì)算每個(gè)分量的權(quán)重。在獲得基函數(shù)的系數(shù)之后就可以生成環(huán)境圖照亮圖像中的漫反射部分。

最后，利用得到的光源信息，使用基于物理的渲染方式重新渲染場(chǎng)景，在場(chǎng)景中插入不同材質(zhì)的虛擬物體時(shí)可以保證光照一致性。

4 實(shí)驗(yàn)仿真與分析

本節(jié)主要對(duì)所提出基于圖像分解的光照估計(jì)算法進(jìn)行實(shí)驗(yàn)仿真與分析。實(shí)驗(yàn)分別選擇2組室內(nèi)與2組室外的不同場(chǎng)景，針對(duì)室內(nèi)外的場(chǎng)景特點(diǎn)對(duì)實(shí)驗(yàn)進(jìn)行優(yōu)化，室外場(chǎng)景往往高光像素較多，整體場(chǎng)景較亮，根據(jù)鏡面物體去推斷光源方向可能會(huì)不夠準(zhǔn)確，因此對(duì)輸入圖像設(shè)定閾值Th，以控制輸入圖像的高光像素，這樣能夠有效地區(qū)分大尺度場(chǎng)景中的鏡面反射部分。分離出的高光圖如圖2所示。

Figure 2 Experimental results of image decomposition based on pixel clustering圖2 基于像素聚類的圖像分解實(shí)驗(yàn)結(jié)果

圖2直觀地展示了本文算法在一些室內(nèi)外場(chǎng)景下的鏡面反射提取效果。接下來(lái)將定量評(píng)估圖像分解算法，并與其他人所作的相關(guān)研究進(jìn)行比較。選取圖像分解領(lǐng)域的通用數(shù)據(jù)集對(duì)象進(jìn)行評(píng)估實(shí)驗(yàn)，使用峰值信噪比來(lái)定量評(píng)價(jià)實(shí)驗(yàn)結(jié)果，根據(jù)2幅圖像之間的均方差來(lái)定義實(shí)驗(yàn)誤差，直觀地表示2幅圖像的差異。表1展示了本文算法與其他算法對(duì)一些不同的通用對(duì)象進(jìn)行圖像分解實(shí)驗(yàn)時(shí)的分解準(zhǔn)確度比較，數(shù)值代表峰值信噪比，加粗的數(shù)值代表對(duì)應(yīng)對(duì)象鏡面反射分離的最高精確值。

可以看出，對(duì)于標(biāo)準(zhǔn)數(shù)據(jù)集中的5個(gè)不同的對(duì)象，本文算法大多得到了更高的分離精度，之后將圖像分解方法與深度估計(jì)和本征圖像分解相結(jié)合，對(duì)場(chǎng)景空間中的光照進(jìn)行分析。

Table 1 Peak signal-to-noise ratios comparison of different algorithm on the data set表1 數(shù)據(jù)集上不同算法的峰值信噪比對(duì)比

在實(shí)驗(yàn)場(chǎng)景的中央放置一個(gè)表面是鏡面材質(zhì)的球表示場(chǎng)景中的光源信息,并將本文算法與Liu[15]的算法在光源的方向和強(qiáng)度估計(jì)結(jié)果上進(jìn)行直觀比較，不同場(chǎng)景下的光照估計(jì)結(jié)果如圖3和圖4所示。

Figure 3 Outdoor scene lighting restoration圖3 室外場(chǎng)景光照還原

在圖3所展示的室外場(chǎng)景中，主光源為太陽(yáng)光源，是單一光源，在場(chǎng)景中處于高位，且光照強(qiáng)度很大。相比文獻(xiàn)[15]的算法，第1個(gè)場(chǎng)景中本文算法對(duì)于太陽(yáng)高度的估計(jì)相對(duì)更為準(zhǔn)確，文獻(xiàn)[15]的算法還原光照偏低。第2個(gè)場(chǎng)景中本文算法對(duì)于強(qiáng)度的還原相對(duì)更加準(zhǔn)確，文獻(xiàn)[15]的算法還原光照偏暗。在圖4所展示的室內(nèi)場(chǎng)景中，第1個(gè)場(chǎng)景屬于單一光源場(chǎng)景，處于右上角的位置，第2個(gè)場(chǎng)景在教室中，屬于多光源場(chǎng)景。相比文獻(xiàn)[15]的算法，本文算法在單光源室內(nèi)場(chǎng)景中對(duì)方向的估計(jì)更為真實(shí)準(zhǔn)確，在多光源場(chǎng)景能夠估計(jì)出多個(gè)點(diǎn)光源來(lái)模擬場(chǎng)景的多光源效果。

Figure 4 Indoor scene lighting restoration圖4 室內(nèi)場(chǎng)景光照還原

恢復(fù)場(chǎng)景照明后將虛擬物體合成到場(chǎng)景中，觀察光照一致性效果，渲染效果如圖5所示。

Figure 5 Virtual object rendering圖5 虛擬對(duì)象渲染

從圖5可以看出，本文算法得到的光照能夠?qū)μ摂M物體陰影進(jìn)行較為真實(shí)的渲染。為了定量評(píng)估算法的準(zhǔn)確性，在渲染軟件中創(chuàng)建一個(gè)虛擬場(chǎng)景，并模擬2個(gè)點(diǎn)光源的照明情況，在創(chuàng)建的虛擬場(chǎng)景中，放置一個(gè)鏡面材質(zhì)的球體和一個(gè)朗伯表面的立方體，之后創(chuàng)建2個(gè)不同位置方向的點(diǎn)光源對(duì)其進(jìn)行點(diǎn)亮，對(duì)比實(shí)驗(yàn)結(jié)果如圖6所示?？梢钥闯?，本文算法得到的光照方向大體準(zhǔn)確，同時(shí)也能夠準(zhǔn)確地還原出光照顏色，并且對(duì)于鏡面材質(zhì)部分的模擬，本文算法的渲染效果比文獻(xiàn)[15]的算法的更接近真實(shí)場(chǎng)景。

Figure 6 Simulation scene rendering圖6 模擬場(chǎng)景渲染

表2和表3是本文算法估計(jì)光源的定量對(duì)比。本文算法對(duì)于光源的位置估計(jì)平均誤差控制在2個(gè)單位以內(nèi)，也準(zhǔn)確還原了方向向量和顏色信息。

Table 2 Comparison of light source position in simulated scenes表2 模擬場(chǎng)景光源位置對(duì)比

Table 3 Comparison of light source direction in simulated scenes表3 模擬場(chǎng)景光源旋轉(zhuǎn)方向?qū)Ρ?/p>

5 結(jié)束語(yǔ)

本文改進(jìn)了光照估計(jì)算法,提出了一種基于像素聚類方法的圖像分解算法對(duì)圖像進(jìn)行反射光的分解，并提出了一種利用場(chǎng)景中分解出的不同反射分量估算場(chǎng)景照明信息的全局光照估計(jì)算法。綜合考慮場(chǎng)景中的反射分量，利用全局照明模型，得到了光源的位置和顏色信息，然后利用基于物理的渲染將虛擬物體插入到圖像中，實(shí)現(xiàn)具有光照一致性的渲染效果。使用上述算法進(jìn)行虛擬物體的渲染實(shí)驗(yàn)，結(jié)果表明，本文提出的算法能夠有效地實(shí)現(xiàn)非朗伯體表面場(chǎng)景中的光照估計(jì)以及虛擬物體渲染，明顯提高了渲染結(jié)果的真實(shí)感。