聚类立即辐射度及在增强现实中的应用

doi:10.3778/j.issn.1002-8331.2010.29.057

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (29): 196-199.DOI: 10.3778/j.issn.1002-8331.2010.29.057

• 图形、图像、模式识别 • 上一篇下一篇

聚类立即辐射度及在增强现实中的应用

罗建¹，李艳梅^1，2

1.西华师范大学计算机学院，四川南充 637002
2.电子科技大学计算机科学与工程学院，成都 610054

收稿日期:2010-04-28 修回日期:2010-08-11 出版日期:2010-10-11 发布日期:2010-10-11
通讯作者: 罗建

Application of clustering for augmented reality by instant radiosity

LUO Jian¹，LI Yan-mei^1，2

1.School of Computer Science，China West Normal University，Nanchong，Sichuan 637002，China
2.School of Computer Science & Engineering，University of Electronic Science and Technology of China，Chengdu 610054，China

Received:2010-04-28 Revised:2010-08-11 Online:2010-10-11 Published:2010-10-11
Contact: LUO Jian

摘要/Abstract

摘要： 提出一种聚类立即辐射度方法，以实现增强现实等领域需要高度真实感的全局光照算法来实现实时交互的绘制效果要求。为此，改进了传统的立即辐射度方法，将大量的用于表达间接光照的虚拟点光源聚类到少量的虚拟面光源中，并使用实时软阴影算法快速计算可见性。同时，借助图形硬件GPU加速场景绘制。实验结果表明，算法在增强现实环境等领域中支持完全动态场景，且在保证良好视觉效果的前提下获得了实时绘制帧率。

关键词: 聚类, 立即辐射度, 虚拟点光源, 虚拟面光源, 图形处理器（GPU）, 实时绘制

Abstract: An instant radiosity is proposed using clustering approach，for augmented reality requires efficient realistic global illumination algorithms to acquire real-time interactive rendering effects.To achieve this goal，the traditional instant radiosity is modified by clustering a large number of virtual point light for indirect illumination to a small number of virtual area light，and real-time soft shadow algorithm is used for fast calculation of visibility.Then graphics hardware GPU is applied to accelerate the scenes rendering.Experimental results show that the algorithm in augmented reality environment with full dynamic scenes can acquire real-time frame rates with good visual effects.

Key words: cluster, instant radiosity, virtual point light, virtual area light, Graphic Processing Unit（GPU）, real-time rendering

中图分类号:

TP391

罗建¹，李艳梅^1，2. 聚类立即辐射度及在增强现实中的应用[J]. 计算机工程与应用, 2010, 46(29): 196-199.

LUO Jian¹，LI Yan-mei^1，2. Application of clustering for augmented reality by instant radiosity[J]. Computer Engineering and Applications, 2010, 46(29): 196-199.

[1]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[2]	郭晓静，隋昊达. 改进YOLOv3在机场跑道异物目标检测中的应用[J]. 计算机工程与应用, 2021, 57(8): 249-255.
[3]	李莉，纪欣沅，宋嵩. 回环软件缺陷数量预测模型[J]. 计算机工程与应用, 2021, 57(7): 158-163.
[4]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[5]	杨芳，尹曦，司建辉，刘宏媛，汪雪. 基于侧重点聚类的数学表达式相似度计算方法[J]. 计算机工程与应用, 2021, 57(6): 88-93.
[6]	赵凡，张琳，闻治泉，杨林林，蔺广逢. 一种直接高效的自然场景汉字逼近定位方法[J]. 计算机工程与应用, 2021, 57(6): 159-167.
[7]	彭启慧，宣士斌，高卿. 分布的自动阈值密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(5): 71-78.
[8]	李勇振，廖湖声. 基于图卷积神经网络的多视角聚类[J]. 计算机工程与应用, 2021, 57(5): 115-122.
[9]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[10]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[11]	王俊玲，卢新明. 基于语义相关的视频关键帧提取算法[J]. 计算机工程与应用, 2021, 57(4): 192-198.
[12]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[13]	陈俊丰，郑中团. WKMeans与SMOTE结合的不平衡数据过采样方法[J]. 计算机工程与应用, 2021, 57(23): 106-112.
[14]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[15]	梅婕，魏圆圆，许桃胜. 基于密度峰值多起始中心的融合聚类算法[J]. 计算机工程与应用, 2021, 57(22): 78-85.

聚类立即辐射度及在增强现实中的应用

Application of clustering for augmented reality by instant radiosity

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics