一種改進的屏幕空間環境光遮蔽（SSAO）算法

楊志成

（四川大學計算機學院，成都 262500）

一種改進的屏幕空間環境光遮蔽（SSAO）算法

楊志成

（四川大學計算機學院，成都 262500）

在計算機圖形學中全局光照的效果直接影響畫面的真實性，使用傳統的光線跟蹤技術計算復雜，難以實時。所以在游戲等實時應用中一般選用環境光遮蔽（AO）技術模擬全局光照效果。屏幕空間環境光遮蔽（SSAO）是實際應用較多的一種AO算法，該算法可以在實時運行的條件下較為逼真的模擬全局光照的渲染效果。針對目前SSAO算法在采樣點選擇、紋理采樣和平滑濾波3個方面的缺陷，提出相應的改進方法，改善原有算法的性能和渲染效果，使其更適用于三維游戲中的實時游戲場景渲染。

全局光照；環境光遮蔽；屏幕空間；多級紋理

0 引言

隨著計算機硬件能力的大幅提升，計算機圖形也發生了翻天地覆的變換。作為典型代表的游戲領域，其畫面從最初的馬賽克感嚴重到現在的真假難辨也象征著圖形學的飛速發展。真實的游戲畫面可以給玩家沉浸式的游戲體驗，很大程度上決定了一款游戲的好壞。而影響畫面逼真程度的關鍵就是關照（包括陰影）。傳統的基于物理的關照算法（例如光線跟蹤算法）可以達到很好的效果，但其計算復雜，難以做到實時應用。因此在游戲中經常采用替代技術，例如環境光遮蔽技術，在畫面質量和渲染速度之間取得平衡。

1 環境光遮蔽算法（SSAO）簡介

環境光遮蔽（AO，Ambient Occlusion）是全局光照明的一種近似替代品，可以產生重要的視覺明暗效果，通過描繪物體之間由于遮擋而產生的陰影，能夠更好地捕捉到場景中的細節，可以解決漏光，陰影漂浮等問題，改善場景中角落、齒輪、裂縫等細小物體陰影不清晰等問題，增強場景的深度和立體感。可以說，AO特效在直觀上給玩家的主要感覺體現在畫面的明暗程度上，未開啟AO特效的畫面光照稍亮一些；而開啟AO特效之后，局部的細節畫面尤其是暗部陰影會更加明顯一些。

AO算法的基本原理是為場景中的點計算一個遮擋因子。這個遮擋因子用來表示從該點出射的所有光線會被其他物體所遮擋的概率。因此在AO算法中，遮擋因子的算法就顯得尤為重要，好的遮擋因子可以給畫面增加細膩的明暗效果，極大提升畫面的真實感。

2 改進的SSAO算法

改進的SSAO（Screen Space Ambient Occlusion）算法在計算屏幕空間中某個像素的屏蔽因子時，先計算出相應的視點空間坐標，然后在屏幕空間像素點的周圍選擇若干個采樣點，并將采樣點映射到相機空間，最后根據采樣點與像素點的深度、像素點指向采樣點的向量與像素點的法向量之間的夾角計算AO值。

SSAO算法的高效在于算法把采樣空間從原始的頂點數據空間改變到屏幕空間。屏幕空間中大量的頂點將被裁剪掉，這就減小了采樣了樣本，極大地提升算法的效率。有利有弊，采樣點減小也使隨機采用計算得到的AO值不精確，導致渲染效果差強人意。為解決此問題，本文提出一種新的SSAO算法，通過如下3個方面對原有算法進行改進：

（1）采樣點選取方式，隨機采樣得到的樣本可能聚集在大致相同的方向，無法保證樣本均勻分布，而指定樣本分布向量不能很好的捕捉場景細節。為了解決這個問題，本文使用螺旋式采樣模型，使采樣點均勻的分布在各個角度，從而捕捉到場景中各個方向的細節信息；

（2）紋理采樣方面，原有的SSAO算法只渲染一張法線/深度紋理。本文的算法在渲染得到一張深度紋理后，創建多級紋理，為每個采樣點選擇合適分辨率的紋理。mipmap中的每一級紋理都有一部分存儲在cache中，其余部分存儲在DRAM中。選擇的紋理分辨率越小，cache命中的機率就越大，從而減少讀取時間，提高采樣效率。

（3）平滑濾波，由于采樣點的數量有限，渲染得到的SSAO貼圖會出現大量噪點，而選取足夠多的采樣點來消除噪點對實時渲染是不可行的。常見的解決解決方案是對SSAO貼圖應用邊緣保護模糊。本文中的SSAO算法使用雙邊濾波保持場景邊緣，突出細節信息。

3 采樣點選擇

采樣點的選擇關系到對場景細節的捕捉，理想的采樣點是盡可能均勻地分散在各個方向上。原有的算法為了避免采樣點落在大致相同的角度，指定了采樣點的位置，分別為以像素為中心的立方體的8個頂點，6個面的中心以及其中6條邊的中點。這種采樣方式失去了隨機性，場景中的一些細節可能被忽略。改進的算法采用螺旋式采樣模型，以當前像素為中心，將采樣點螺旋狀放置，根據像素的屏幕空間坐標計算采樣點的位置，如圖1所示。

圖1 螺旋式采樣點

在屏幕空間像素點的周圍螺旋式選取s個采樣點。第i個采樣點的屏幕空間坐標為（x'，y'）+hi'ui，其中，（x'，y'）是像素的屏幕空間坐標。

s是采樣點的數量；r'是相機空間采樣半徑r對對應的屏幕空間半徑，由投影變換得到；常量τ是螺旋的圈數，用來確保角度均勻分配；角度?偏移是采樣點的隨機旋轉角度，由式（1）計算得到：

4 紋理采樣

本文中的算法在進行紋理采樣時引進多級紋理（mipmap）技術，它是目前解決紋理分辨率與視點距離關系的最有效途徑。原有的算法只渲染一張法線/深度紋理，改進的算法在渲染得到一張深度紋理后，創建多級紋理。

紋理采樣時，相應分辨率的紋理會被調入到cache中。如果選擇的紋理分辨率越低，那么cache命中的機率就越大，從而減少讀取時間，提高采樣效率。DirectX中生成下一級紋理時，通過采樣像素周圍的4個點取平均值獲得，這樣得到的紋理效果不是很理想。為了避免XY方向和z精度的偏差，本文使用旋轉網格二次采樣來創建mipmap。

先通過式（3）將深度緩存中的深度0≤d≤1轉換到視點空間z＜0，

zn和zf分別為近平面和遠平面的深度。當時是一個常量數組；當時然后通過式（4）為深度紋理創建mipmap，

通過式（5）為每個采樣點計算得到合適分辨率的紋理級別。mipmap中的每一級紋理都有一部分存儲在cache中，其余部分存儲在DRAM中。選擇的紋理分辨率越小，cache命中的機率就越大，從而減少讀取時間，提高采樣效率。

式（5）中的q'是選擇mipmap級別時的屏幕空間半徑增量。

5 平滑濾波

由于采樣點的數量有限，渲染得到的AO貼圖會出現大量噪點，如圖2左邊所示。

圖2

選擇足夠多的采樣點來消除噪點對實時渲染會極大增加計算量并不可取，一種有效的替代方法是對AO貼圖使用邊緣保護模糊，本文采用的是雙邊濾波。

雙邊濾波最大的優勢正如其名稱所說：在進行濾波的同時可以有效的保護邊緣信息。常用的濾波方法如維納濾波或者高斯濾波在模糊圖像的高頻信息的同時，也會丟失較多的邊緣信息。高斯濾波是基于空間的濾波算法：離中心點越近的值的權重越大，反之遠離中心點的權重則非常小，這就造成了邊緣丟失。雙邊濾波在高斯濾波的基礎上考慮了像素值的影響，綜合考慮了空間和像素值對中心點的影響，使邊緣信息得意較好的保存。如圖2所示。本文從高斯濾波開始推導更方便計算的雙邊濾波公式。常用的高斯濾波公式如公式（6）和（7）所示。

在上述公式中，c（ε，x）是關于距離的函數，用來表征模糊過程中一點對另一點權重。顯然當越接近的點之間的相互影響越大，這和高斯函數的分布性質是一樣的。然而高斯濾波只針對空間位置進行加權混合，沒有考慮像素間的差異性。雙邊濾波通過在高斯濾波中引入關于像素的加權函數來彌補這一缺陷，取得較好的濾波效果。見公式（8）和（9）。

和公式（6），（7）相比較，可以發現雙波濾波公式多了一個函數s（f（ε），f（x）），該函數和c（ε，x）正好相對應，一個是像素的加權函數，一個是空間距離的加權函數。

結合以上公式，我們就得到了如下以像素和空間雙重考量的模糊函數：

為便于應用于圖像處理中，對上訴公式進行離散化，并將函數的作用域限制在圖像像素的有效領域Ω內，最終本文得到簡化后的公式（14）。

在模糊過程中涉及到卷積操作，雖然本文限制了卷積的有效范圍Ω，圖像的平滑扔占據大量的處理時間，成為本文算法的主要瓶頸之一。由于平滑操作的本身的隔離性，本文將模糊算法遷移到GPU上，用GPU多核的優勢，極大地減小了圖像平滑所需要的時間。具體做法如下：

（1）根據卷積的范圍Ω將待處理的圖像劃為細小的模塊。

（2）在各個模塊同時進行雙邊模糊操作，此步驟將在GPU上高速并行。

（3）將處理后的各個模塊進行整合。

備注：在實際的代碼中，并不真正的切分圖片，只是根據圖片內存將其分為不同的處理單元。

6 實驗結果分析

本文在相同的硬件環境下分別使用SSAO及經本文改進后的SSAO算法渲染同一畫面。兩種算法的采樣半徑都是1.5單位，采樣點數量都是20。由圖3對比可知，改進的SSAO算法在渲染效果上得到了較大的提升。圖3左圖中貼近地面的陰影出現“漂浮”現象，細小物體的陰影不清晰。圖2右圖中解決了陰影“漂浮”，細小物體陰影不清晰的問題，畫面層次感增強。而且改進的SSAO算法的運行速率是原有算法的兩倍。

在圖4中，禁用了模糊通道。雖然渲染速度得到了提升，但畫面效果很差，AO貼圖有大量的噪點，顆粒感嚴重。因此必須采用雙邊濾波平滑圖像，保持場景邊緣，突出細節信息。

7 結語

本文針對現有的SSAO算法進行改進優化，提出了更有效的采樣方法，提出了新的衰減英子的計算方法，并采用雙邊濾波替換高斯濾波來保留圖像的邊緣信息。改進后的算法改善了原有算法的性能和渲染效果，解決了陰影漂浮、細小物體陰影不清晰等問題，增強了畫面的層次感和真實感，同時提升了渲染速度。具有一定的應用價值。

同時本文算法仍存在以下問題需要解決。首先本文采用的螺旋采樣方法，對于細小的邊緣區域信息，仍然缺乏有效的保留；采用精度也有待于進一步提高以提高渲染的精度。最后算法中的相關控制因子需要自己手動調試，較為繁瑣，也有待進一步改進。

圖3

圖4

[1]Landis H.Production-Ready Global Illumination[C].New York:Proceeding of the International Conference on Computer Graphics and Interactive

[2]Morgan McGuire，Michael Mara，David.Scalable Ambient Obscurance[J].High Performance Graphics，2012.

[3]Lance Williams.Pyramidal Parametrics[J].Computer Graphics，1983.

[4]Morgan McGuire，Brian Osman，Michael Bukowski，Padraic Hennessy.The Alchemy Screen-Space Ambient Obscurance Algorithm [J].High Performance Graphics，2011.

[5]Louis Bavoil，Miguel Sainz，Rouslan Dimitrov.Image-Space Horizon-Based Ambient Occlusion[Z].NVIDIA Corporation，2009.

[6]Ville Timonen.Screen-Space Far-Field Ambient Obscurance[J].High Performace Graphics，2013.

[7]Thai-Duong Hoang，Kok-Lim Low.Efficient Screen-Space Approach to High-Quality Multi-Scale Ambient Occlusion[J].The Visual Computer，2011.

Face Recognition Based on DCNN

（1.State Key Laboratory of Visual Synthesis Graphics,Sichuan University，Chengdu 610065；2.Sichuan Kawashio Zhisheng Software，Chengdu 610065）

In the process of face attribute recognition,there are several methods at present,face attribute recognition based on Gabor wavelet transform,face attribute recognition based on SIFT and face attribute recognition based on differential texture features.There are many problems in the traditional methods,such as the characteristics of the selection needs human intervention,and the characteristic of the choice are not necessarily able to meet expectations.Adopts deep convolutional neural network(DCNN)based on the supervised method,constructs a multilayered convolution neural network,neural network obtained by convolution convolution activation depth features,this method uses the CelebA database training,after using the JAFFE face database for testing,and achieves good results.

Attribute Recognition;SIFT;Supervised;Depth Convolution Neural Network

1007-1423（2017）08-0041-05

10.3969/j.issn.1007-1423.2017.08.009

楊志成（1990-），男，湖北襄陽人，在讀碩士研究生，研究方向為計算機圖形學、數字圖像處理

2016-12-20

2017-03-10