基于径向基函数神经网络拟合的全局光照实时绘制方法
【技术领域】
[0001] 本发明涉及一种基于径向基函数神经网络拟合的全局光照实时绘制方法，属于真 实感图形实时渲染技术领域。
【背景技术】
[0002] 真实感图形的绘制主要涉及三个方面：场景几何、物体材质和光照模型。其中光照 模型描述的是光源与被绘制表面的颜色的关系，可以分为局部光照模型和全局光照模型。
[0003] 局部光照模型绘制时，当前绘制点的颜色只受直接照射该点的光线的影响，而不 考虑通过其他途径传播过来的光的作用。
[0004] 全局光照模型除了直接来自光源的光照外，还需考虑整个场景对当前着色点的光 照影响，包括反射、透明物体的折射、半透明物体的子表面散射等效果。
[0005] 早期实现全局光照绘制的算法主要有光线跟踪、辐射度、环境光遮蔽、光子映射 等。然而这些算法在实现过程中，都遇到了需要对光线与场景多次求交的情况，耗费的时间 较长。
【发明内容】
[0006] 为解决现有技术的不足，本发明的目的在于提供一种基于径向基函数神经网络拟 合的全局光照实时绘制方法，将回归分析方法引入全局光照的渲染过程之中，使用径向基 函数神经网络构建学习模型，对通过蒙特卡洛光线跟踪方法得到的光照样本数据集进行学 习，确定每个基函数单元的宽度、中心及隐含层与输出层单元之间的权值矩阵，从而发掘出 每个场景对象表面可见点的特征属性之间的非线性关联，以代替传统的全局光照模型完成 间接光照的计算，避免了光线的多次求交运算。
[0007] 为了实现上述目标，本发明采用如下的技术方案：
[0008] -种基于径向基函数神经网络拟合的全局光照实时绘制方法，其特征是，包括如 下步骤：
[0009] 1)通过离线渲染获取训练数据：通过基于物理的光线跟踪渲染方法，对场景进行 渲染，得到高质量的图片，从而得到任意位置处的全局光照值；所述高质量的图片依据经验 值判断；
[0010] 在渲染场景的同时，获取的场景中点的位置、表面法向量、双向反射函数值、光源 的位置和光照值；
[0011] 2)训练数据优化：对于步骤1)得到的训练数据通过聚类提取特征信息，剔除冗余 信息并进行优化，得到优化后的训练数据；
[0012] 3)神经网络构建：通过减聚类的方法获取径向基函数的中心，采用随机分布，初 始化隐含层到输出层的权值，构建出径向基函数神经网络；
[0013] 4)神经网络训练：采用BP学习方法训练，通过信号的前向传播计算每个节点的 值；通过与期望值的比较，计算出误差，然后进行误差的反向传播由输出层开始逐层计算各 层神经元的输出误差，根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的 最终输出能接近期望值；
[0014] 5)间接光照值拟合：对于一组视点和光源，可以得到在该视点下需要渲染的场景 中的点的位置，计算得到表面法向量和双向反射函数，将这些值输入训练好的神经网络得 到该像素点的R、G、B颜色分量；
[0015] 6)直接光照值计算：采用基于双缓冲区非局部均值滤波的自适应采样的方法进 行蒙特卡罗光线跟踪完成直接光照值的计算；
[0016] 7)全局光照绘制：结合5)、6)两步得到的分别得到间接光照值和直接光照值，完 成全局光照绘制。
[0017] 前述的基于径向基函数神经网络拟合的全局光照实时绘制方法，其特征是，所述 步骤3)采用的减聚类方法确定径向基函数中心包括如下步骤：
[0018] 1)确定覆盖区间：对空间R1、上的N个数据点的集合Ω，Α= {A1A2…AN}进行处 理，用^表示第i组第.,维的数据；用区间
_示ΩΑ在第j维上的覆盖范 围，其中（j= 1，2,…，12+nf);
[0019] 2)确定聚类网格点：把区间I,等分成濃，并用向量
I存储这些网 格点，其中
[0020] 3)计算密度指标公式：计算欧式距离，将ΩΑ上的点都归约到网格点上，形成集合
将ΩΜ中的相同元素合并得到Ω{ζ1};针对〇2中的元素，根据减聚类
的定义推导出其密度指标计算公? ^ 其中h]表示ΩΑ中映射到Ωζ的数 λ f 据点的数目
；选取密度指标最高的点β，作为第一个聚类中心；
[0021] 4)迭代求解：对步骤3)中的密度指标公式进行修正，选取密度指标最高的数据点 作为新的聚类中心，反复迭代；
[0022] 5)构建网络：选取好聚类中心后，采用随机分布，初始化隐含层到输出层的权值， 构建径向基函数神经网络。
[0023] 前述的基于径向基函数神经网络拟合的全局光照实时绘制方法，其特征是，所述 步骤6)具体步骤为：
[0024] 61)采用均匀分布的方式分布初始采样点；
[0025] 62)采用非局部均值方法去噪，在合成图像的时候，生成两个采样点相同的缓冲区 域A和B;
[0026] 63)用两缓冲区之间的差值来表示错误率，根据错误率来重新分配采样点；
[0027] 64)如此反复迭代步骤61)-63)，完成采样后用经典的光线跟踪算法完成直接光 照部分的渲染。
[0028] 本发明所达到的有益效果：本方法将回归分析方法引入全局光照的渲染过程之 中，使用神经网络构建学习模型，对通过蒙特卡洛光线跟踪方法得到的光照样本数据集进 行学习，可以很好地拟合蒙特卡洛离线渲染的结果，用其构建神经网络模型来拟合光照计 算，可以避免传统光线跟踪过程中繁杂的光线求交计算，在确保渲染精度的同时，提高了场 景渲染的速度。
【附图说明】
[0029] 图1是本发明的流程图；
[0030] 图2是构建好的网络结构示意图；
[0031] 图3是BP学习方法训练流程图。
【具体实施方式】
[0032] 下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明 的技术方案，而不能以此来限制本发明的保护范围。
[0033] 如图1为基于径向基函数神经网络拟合的全局光照实时绘制流程图，处理步骤如 下：
[0034]1)离线渲染步骤：通过基于物理的光线跟踪渲染方法，对场景进行渲染，得到的 高质量的图片，这里的高质量的图