視覺傳達(dá)效果的區(qū)域三維圖像虛擬重建

王麗莉

摘? 要： 為了提高模糊區(qū)域三維圖像的識別能力，需要進行視覺傳達(dá)和圖像虛擬重建。因此文中提出基于視覺傳達(dá)效果的區(qū)域三維圖像虛擬重建方法。構(gòu)建區(qū)域三維圖像的網(wǎng)格分布模型，采用視覺特征提取方法進行區(qū)域三維圖像的空間信息特征分布式重組，結(jié)合邊緣輪廓特征提取方法進行區(qū)域三維圖像的邊界區(qū)域檢測。建立區(qū)域三維圖像視覺傳達(dá)模型，結(jié)合模糊結(jié)構(gòu)重組方法進行區(qū)域三維圖像的自適應(yīng)像素重構(gòu)，根據(jù)區(qū)域三維圖像的紋理、細(xì)節(jié)區(qū)域進行圖像的三維紋理結(jié)構(gòu)重組和稀疏散亂點重建，重建區(qū)域三維圖像的灰度直方圖，基于視覺傳達(dá)效果實現(xiàn)區(qū)域三維圖像虛擬重建。仿真結(jié)果表明，采用該方法進行區(qū)域三維圖像虛擬重建的視覺效果較好，三維圖像虛擬重建的質(zhì)量較高。

關(guān)鍵詞： 三維圖像; 虛擬重建; 視覺傳達(dá)建模; 自適應(yīng)像素重構(gòu); 灰度直方圖; 仿真分析

中圖分類號： TN911.73?34; TP391? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）10?0134?03

Regional 3D image Virtual reconstruction based on visual communication effect

WANG Lili

（Xizang Minzu University， Xianyang 712082， China）

Abstract： In order to improve the recognition ability of fuzzy region 3D image， it is necessary to carry out visual communication and image virtual reconstruction. A method of regional 3D image virtual reconstruction based on visual communication effect is proposed. The grid distribution model of regional 3D image is constructed， the distributed reorganization of spatial information features of regional 3D image is performed by means of the visual feature extraction method， and the boundary region of regional 3D image is detected with the edge outline feature extraction method. The visual communication model of regional 3D image is established， and the adaptive pixel reconstruction of regional 3D image is carried out by means of the fuzzy structure reorganization method， the 3D texture structure reorganization and the sparse scattered point reconstruction of the image are conducted according to the texture and detail area of the regional 3D image， the gray?level histogram of the 3D image is reconstructed， and thus the virtual reconstruction of the regional 3D image is realized based on the visual communication effect. The simulation results show that the virtual reconstruction of regional 3D image by this method has preferable visual effect and high quality.

Keywords： 3D image; virtual reconstruction; visual communication modeling; adaptive pixel reconstruction; gray?level histogram; simulation analysis

0? 引? 言

隨著圖像信息處理技術(shù)的發(fā)展，對圖像的成像和視覺表達(dá)能力要求日漸提高[1]。結(jié)合細(xì)節(jié)特征識別和優(yōu)化檢測方法，研究視覺傳達(dá)效果的區(qū)域三維圖像虛擬重建方法在圖像識別中具有實踐價值[2]。本文提出基于視覺傳達(dá)效果的區(qū)域三維圖像虛擬重建方法。構(gòu)建區(qū)域三維圖像的網(wǎng)格分布模型，重建區(qū)域三維圖像的灰度直方圖，實現(xiàn)區(qū)域三維圖像虛擬重建，最后進行仿真測試分析可知，該三維圖像虛擬重構(gòu)方法在圖像識別和檢測中具有重要意義。

1? 三維圖像的網(wǎng)格分布重組

1.1? 三維圖像的網(wǎng)格分布模型

為了實現(xiàn)視覺傳達(dá)效果的區(qū)域三維圖像虛擬重建，首先需要構(gòu)建區(qū)域三維圖像的網(wǎng)格分布模型，采用視覺特征提取方法進行區(qū)域三維圖像的空間信息特征分布式重組[3]，構(gòu)造區(qū)域三維圖像多分辨重構(gòu)模型，采用水平集量化特征分解方法，描述為：

[K（c1，c2）=μΩδ（?（x，y））??（x，y）dxdy+? ? ? ? ? ? ? ? ? ? λ1ΩI-c12H（?（x，y））dxdy+? ? ? ? ? ? ? ? ? ?λ2ΩI-c22（1-H（?（x，y）））dxdy] （1）

在分割輪廓上，采用正態(tài)分布模型進行三維圖像視覺特征分析和邊緣輪廓檢測[4?5]，構(gòu)建區(qū)域三維圖像性融合的水平集函數(shù)為：

[E=θELBF+（1-θ）ELGF+vL?+μP?] （2）

式中：[θ]為區(qū)域三維圖像的像素灰度特征量;[L?]為邊緣輪廓曲線長度約束項。采用灰階量化特征分析和模板匹配的方法[6]，得到區(qū)域三維圖像虛擬重建的視覺目標(biāo)區(qū)域特征匹配結(jié)果為：

[L?=Ωδ（?）??dx] （3）

[P?]為區(qū)域三維圖像的多尺度邊緣分布正則項，進行區(qū)域三維圖像的分塊檢測和區(qū)域性融合處理，假設(shè)區(qū)域三維圖像的像素特征分布集的矢量為[Skk=1，2，…， M]，根據(jù)區(qū)域三維圖像紋理分布進行虛擬重建，得到的網(wǎng)格結(jié)構(gòu)模型如圖1所示。

1.2? 區(qū)域三維圖像特征重組

采用視覺特征提取方法進行區(qū)域三維圖像的空間信息特征分布式重組，結(jié)合邊緣輪廓特征提取方法進行區(qū)域三維圖像的邊界區(qū)域檢測，在D維空間中進行區(qū)域三維圖像的空間分布式重建[7]，結(jié)合3D模型構(gòu)造方法，建立區(qū)域三維圖像紋理特征分布集，表示為：

[ux，y;t=Gx，y;t]? ? ? ? ? ? ? （4）

[p（x，t）=limΔx→0σu-（u+Δu）Δx=-σ?u（x，t）?x] （5）

式中：[Δu]為在區(qū)域三維圖像的區(qū)域邊緣虛擬重建的特征分量;[σ]為視覺傳達(dá)次數(shù)。

根據(jù)區(qū)域三維圖像紋理的規(guī)則分布進行虛擬重建，采用平滑濾波方法進行圖像降噪處理[8?9]，平滑濾波模型為：

[f=f，dγ0dγ0+Rf]? ? ? ? ? ? ? （6）

式中，[f，dγ0]表示區(qū)域三維圖像的像素特征點在[dγ0]方向上的統(tǒng)計特征分布集。采用稀疏性特征表達(dá)方法進行區(qū)域三維圖像的視覺傳達(dá)設(shè)計，構(gòu)建區(qū)域三維圖像的統(tǒng)計信息分布模型，得到區(qū)域三維圖像特征重組結(jié)果[f（gi）]為：

[f（gi）=c1λij=0Nnpρjυijυijσ1+εj=0Nnpρjυijσ1+ε] （7）

獲得區(qū)域三維圖像的特征匹配集后，根據(jù)虛擬重建的網(wǎng)格分塊信息進行區(qū)域三維圖像特征重組[10]。

2? 區(qū)域三維圖像虛擬重建優(yōu)化

2.1? 區(qū)域三維圖像視覺傳達(dá)模型

建立區(qū)域三維圖像視覺傳達(dá)模型，結(jié)合模糊結(jié)構(gòu)重組方法進行區(qū)域三維圖像的自適應(yīng)像素重構(gòu)[11]，對區(qū)域三維圖像視覺信息重建的區(qū)域為[S′]，在模糊區(qū)域三維圖像的邊緣輪廓部分，提取邊緣特征點[（x′，y′）]，進行紋理梯度分解，計算模糊區(qū)域三維圖像所紋理分布集為：

[w（i，j）=1Z（i）exp-d（i，j）h2] （8）

式中，[Z（i）=j∈Ωexp-d（i，j）h2]為一階、二階紋理分布算子。定義區(qū)域三維圖像超分辨率重建的模板特征分布函數(shù)，采用活動輪廓檢測方法進行模糊紋理三維圖像特征重構(gòu)，采用高分辨的區(qū)域信息融合方法[12]，進行模糊區(qū)域三維圖像的特征分解，提取模糊區(qū)域三維圖像統(tǒng)計特征分量為：

[mincminy∈Ω（x）Ic（y）Ac=? ? ? ? ? t（x）mincminy∈Ω（x）Jc（y）Ac+（1-t（x））]? （9）

式中：[t（x）]為局部邊緣信息的全局?jǐn)M合參數(shù);[Ac]為區(qū)域三維圖像的多維卷積特征量;[Ic（y）]為區(qū)域三維圖像的透射強度。設(shè)[J（x）t（x）]為視覺傳達(dá)系數(shù)，得到輸出的模糊區(qū)域三維圖像的虛擬視覺傳達(dá)迭代式為：

[bnrβX=RβX-RβX1]? （10）

假設(shè)區(qū)域三維圖像的視覺傳達(dá)區(qū)域大小為[M·N]，重建區(qū)域三維圖像的灰度直方圖，得到區(qū)域三維圖像的像素特征分解式為：

[βi=exp-xi-xj22σ21distxi，xj] （11）

結(jié)合邊緣輪廓特征提取方法進行區(qū)域三維圖像的邊界區(qū)域檢測，建立區(qū)域三維圖像視覺傳達(dá)模型，實現(xiàn)區(qū)域三維圖像視覺傳達(dá)模型設(shè)計[13]。

2.2? 區(qū)域三維圖像虛擬重建輸出

構(gòu)建區(qū)域三維圖像視覺傳達(dá)模型，根據(jù)視覺傳達(dá)效果[14]，得到區(qū)域三維圖像虛擬重構(gòu)的正態(tài)分布函數(shù)為：

[wdij=fxi-xj? ? ? ? ? ? ?=12πexpxi-xj22] （12）

根據(jù)圖像角點分布的相似性進行虛擬重建，提取區(qū)域三維圖像的視覺傳達(dá)特征，得到區(qū)域三維圖像的紋理結(jié)果分布為：

[s（k）=??s（k-1）+w（k）]? ?（13）

式中：

[?=1000001100001000001100001] （14）

[w（k）=N（0，σθ（k））? ? ? ? ? 0N（0，σx（k））? ? ? ? ? 0N（0，σy（k））] （15）

根據(jù)區(qū)域三維圖像的紋理、細(xì)節(jié)區(qū)域進行圖像的三維紋理結(jié)構(gòu)重組和稀疏散亂點重建，重建區(qū)域三維圖像的灰度直方圖[15]，得到圖像W的R，G，B分量，相應(yīng)的三維圖像虛擬重建輸出特征分布集[AR]，[AG]，[AB]和[WR]，[WG]，[WB]。綜上分析，實現(xiàn)區(qū)域三維圖像虛擬重建。

3? 仿真實驗分析

對區(qū)域三維圖像的虛擬重建建立在Matlab仿真軟件基礎(chǔ)上，區(qū)域三維圖像虛擬重建的匹配模板為80×80的均勻分布模板，視覺傳達(dá)的空間分布區(qū)域為2 000[×]2 000，模糊區(qū)域三維圖像分割的學(xué)習(xí)速率為0.25，隨機抽樣的像素點數(shù)目為400，噪聲干擾強度為-12 dB。根據(jù)上述仿真參數(shù)設(shè)定，進行區(qū)域三維圖像的虛擬重建，以原始的大腦MR圖像和心臟CT圖像為例，得到待重建圖像如圖2所示。

采用本文方法在視覺傳達(dá)模型中實現(xiàn)圖像重建，得到重建輸出如圖3所示。

分析圖3得知，采用本文方法能有效實現(xiàn)三維圖像的虛擬重建，測試輸出信噪比。從得到對比結(jié)果分析可知，本文方法輸出信噪比較高，提高了重建圖像的視覺傳達(dá)效果。

4? 結(jié)? 語

本文提出基于視覺傳達(dá)效果的區(qū)域三維圖像虛擬重建方法，結(jié)合邊緣輪廓特征提取方法進行區(qū)域三維圖像的邊界區(qū)域檢測，采用活動輪廓檢測方法進行模糊紋理三維圖像特征重構(gòu)，采用高分辨率的區(qū)域信息融合方法，進行模糊區(qū)域三維圖像的特征分解，基于視覺傳達(dá)效果實現(xiàn)區(qū)域三維圖像虛擬重建。分析得知，采用本文方法進行區(qū)域三維圖像虛擬重建的視覺效果較好，輸出信噪比較高，說明重建質(zhì)量較好。

參考文獻(xiàn)

[1] 王鑫，周韻，寧晨，等.自適應(yīng)融合局部和全局稀疏表示的圖像顯著性檢測[J].計算機應(yīng)用，2018，38（3）：866?872.

[2] LIU Dong， ZHOU Dongming， NIE Rencan， et al. Multi?focus image fusion based on phase congruency motivate pulse coupled neural network?based in NSCT domain [J]. Journal of computer applications， 2018， 38（10）： 3006?3012.

[3] 劉天賜，史澤林，劉云鵬，等.基于Grassmann流形幾何深度網(wǎng)絡(luò)的圖像集識別方法[J].紅外與激光工程，2018，47（7）：25?31.

[4] HAYAT M， KHAN S H， BENNAMOUN M. Empowering simple binary classifiers for image set based face recognition [J]. International journal of computer vision， 2017， 123（3）： 479?498.

[5] AZIZPOUR Hossein， RAZAVIAN Ali Sharif， SULLIVAN Josephine. From generic to specific deep representations for visual recognition [C]// Proceedings of 2015 International Conference on Computer Vision and Pattern Recognition Workshops. Washington： IEEE， 2015： 36?45.

[6] 劉穎，梁楠楠，李大湘，等.基于光譜距離聚類的高光譜圖像解混算法[J].計算機應(yīng)用，2019，39（9）：2541?2546.

[7] NIU Sijie， CHEN Qiang， SISTERNES Luis De， et al. Robust noise region?based active contour model via local similarity factor for image segmentation [J]. Pattern recognition， 2016， 61： 104?119.

[8] 張廣燕，王俊平，邢潤森，等.PSLIP新模型及在邊緣檢測和圖像增強中的應(yīng)用[J].電子學(xué)報，2015，43（2）：377?382.

[9] 高亮，潘積遠(yuǎn)，于佳平.多元線性回歸在非負(fù)矩陣分解人臉識別中的應(yīng)用[J].計算機與現(xiàn)代化，2017（11）：45?49.

[10] 吳林彥，魯昊，高諾，等.基于CSP算法與小波包分析方法的運動想象腦電信號特征提取性能的比較[J].生物醫(yī)學(xué)工程研究，2017，36（3）：224?228.

[11] GRIMM F， NAROS G， GHARABAGHI A. Closed?loop task difficulty adaptation during virtual reality reach?to?grasp training assisted with an exoskeleton for stroke rehabilitation [J]. Frontiers in neuroscience， 2016， 10： 518.

[12] 孔繁鏘，卞陳鼎，李云松，等.非凸稀疏低秩約束的高光譜解混方法[J].西安電子科技大學(xué)學(xué)報，2016，43（6）：116?121.

[13] 袁博.空間與譜間相關(guān)性分析的NMF高光譜解混[J].遙感學(xué)報，2018，22（2）：265?276.

[14] 賈志成，薛允艷，陳雷，等.基于去噪降維和蝙蝠優(yōu)化的高光譜圖像盲解混算法[J].光子學(xué)報，2016，45（5）：106?115.

[15] 石美紅，李青，趙雪青，等.一種基于保角相位的圖像邊緣檢測新方法[J].電子與信息學(xué)報，2015，37（11）：2594?2600.