[發明專利]一種基于神經網絡的網格去噪方法

有效

• 申請號: 201911172337.X
• 申請日: 2019-11-26
• 公開（公告）號: CN110930334B
• 公開（公告）日: 2023-03-31
• 發明（設計）人: 鄭友怡;杜仲爍
• 申請（專利權）人: 浙江大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T15/00;G06N3/02
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

本發明公開了一種基于神經網絡的網格去噪方法，所述方法包括下列步驟：采用固定參數的引導法向濾波進行預濾波操作，提取預濾波后的網格模型的二鄰域平面法向生成圖像矩陣，并利用法向張量投票進行針對剛性變換與圖像旋轉的對齊操作，構建數據集并訓練神經網絡；在運行去噪階段，將帶噪網格預濾波后生成的圖像矩陣輸入訓練過的網絡模型中，利用旋轉矩陣還原出新的法向作為引導法向，更新法向與頂點信息得到去噪后的網格模型。本發明將神經網絡應用在三維網格的去噪問題上，通過將面法向映射為圖像矩陣，最終可以簡單高效地達到高度保持特征的網格去噪效果。

技術領域

本發明屬于計算機圖形學領域，涉及一種基于神經網絡的網格去噪方法，特別適用于對三維數據采集過程中的噪聲與特征模糊進行處理。

背景技術

三角網格是計算機圖形學、計算機視覺以及虛擬現實等領域中幾何對象的基本表示模型。在獲取網格曲面數據的過程中，由于采集設備、環境等因素的影響，所獲取的網格曲面，不可避免地存在著誤差。所以，大部分網格曲面均含有不同程度的噪聲，這不僅無法客觀反映數據中的真實信息，還對后續處理與計算造成影響。因此，三角網格曲面的去噪對獲取高質量的網格數據是非常必要的。

早期基于濾波器的去噪方案在網格去噪的頂點位置應用拉普拉斯平滑等各向同性算法。盡管這些方法能夠降低噪聲，但它們平滑了尖銳的表面特征。為了在保留表面特征的同時去除噪聲，通常采用各向異性方法。最近的一些方法在平面法向上應用了平均移位濾波器或雙邊濾波器，然后用濾波的平面法向量更新網格模型。引導法向濾波技術在聯合雙邊濾波器中使用可靠的導向法線可以從具有相對大的輸入噪聲的網格模型中消除噪聲，但是其需繁瑣的人工調參步驟，且仍會丟失部分幾何特征。還有一些去噪方案，利用包括二次擬合在內的各種技術從噪聲輸入中檢測幾何特征，如L1近似值和法向方差聚類，然后分別將不同的濾波器應用于特征部分和非特征部分。即使利用二次擬合等技術能夠保留網格曲面的強幾何特征，但其缺點是會平滑掉網格曲面的細微特征。基于優化的去噪算法可以恢復最匹配輸入和由噪聲的某些先驗定義、底層表面幾何特征的約束條件的網格，如高斯噪聲或獨立同分布噪聲，其去噪是自動的，但它們很難推廣到具有不同噪聲模式和幾何特征的網格，因為一些假設可能在真實場景中破壞。

發明內容

本發明的目的在于針對現有技術的不足，提供一種基于神經網絡的網格去噪方法，利用神經網絡自動地學習網格表面特征到真實法向間的映射關系，進行高效的網格去噪，簡化迭代方法中針對不同幾何特征的網格進行的參數調整步驟，同時保持更多的幾何特征。

本發明的目的是通過以下技術方案來實現的：一種基于神經網絡的網格去噪方法，包括以下步驟：

步驟一：采用固定參數的引導法向濾波對用于訓練的帶噪網格模型進行預濾波操作；

步驟二：提取步驟一預濾波后的網格模型的二鄰域平面法向，構造法向張量T，同時利用法向張量投票對預濾波后的網格模型進行剛性變換與圖像旋轉的對齊操作，對齊后生成圖像矩陣，并構建數據集；所述數據集為64×64×4大小的圖像矩陣與中心面片1×3大小的法向構成的訓練對。

步驟三：將步驟二得到的訓練對中的圖像矩陣作為輸入，中心面片的法向值作為輸出，以最小化損失函數為目標函數訓練神經網絡，訓練完成得到去噪神經網絡模型；

步驟四：在運行去噪階段，獲取需要去噪的帶噪網格模型，執行步驟一獲得預濾波后的網格模型；執行步驟二生成圖像矩陣；將生成的圖像矩陣輸入步驟三得到的去噪神經網絡模型中，去噪神經網絡模型輸出預測的中心面片的法向值，利用對齊操作中的旋轉矩陣將預測的中心面片的法向值還原出新的平面法向；

步驟五：將還原出的新法向作為引導法向，更新步驟四中預濾波后的網格模型的法向與頂點信息得到去噪后的網格模型。