VR技術下廣場綠化景觀格局數(shù)據(jù)關鍵幀解析

吳一非，吳 江

(1.江西科技學院，江西 南昌 330000；2.南昌大學，江西 南昌 330000)

1 引言

虛擬現(xiàn)實技術(Virtual Reality，VR[1])也叫靈境技術，是近幾年新興的一種創(chuàng)新型實用技術，廣泛應用于各種領域。廣場作為人與人之間的主要交流公共場所之一，也具有一定的自然、文化、生態(tài)等地域象征，而構建的綠化景觀格局則可以展現(xiàn)出地域象征的重要文化精神。憑借虛擬現(xiàn)實技術具有的交互性、沉浸感、多感知性以及想象力等優(yōu)勢，與綠化景觀格局構建有效結合，優(yōu)化格局設計，強化景觀表現(xiàn)力，實現(xiàn)身臨其境的體驗感，節(jié)省展示與溝通成本，不論是在綠化景觀格局的設計階段還是施工階段，虛擬現(xiàn)實技術都具有重要的現(xiàn)實意義。

虛擬現(xiàn)實技術中的關鍵幀解析階段，主要是為決策者做趨勢預測提供影像變化過程，而關鍵幀提取則是解析階段中的核心部分。用來反映影像中重要事件的圖像幀即為關鍵幀，即一個關鍵幀要具備展現(xiàn)該影像中主要內(nèi)容的能力，關鍵幀是一幀或者若干幀圖像，因為VR影像數(shù)據(jù)量較大，故用關鍵幀替代影像進行儲存與檢索，該關鍵幀既要便于儲存、索引以及檢索等后續(xù)處理，還要保證數(shù)據(jù)量小，方便計算，實現(xiàn)數(shù)據(jù)壓縮與檢索速率提升。由于各影像構建背景相同，相同影像內(nèi)各幀圖像會存在大量重復信息，因此，關鍵幀在提升瀏覽與檢索便捷性方面起著重要的作用。相關學者對此進行了研究，陳雁等[2]針對視頻信息的處理，主要是將視頻從長視頻縮短成為包含信息的短視頻，再在這些包含信息的短視頻當中篩選出關鍵幀，對這些信息的篩選和處理從而能夠得到有用的關鍵幀就是視頻數(shù)據(jù)分析的關鍵，關鍵幀技術能夠極大地節(jié)約信息處理資源，減小了信息數(shù)據(jù)量。康艷榮等[3]通過二進制碼分析比對正常和超大波粒視頻數(shù)據(jù)文件結構，解析兩類波粒視頻數(shù)據(jù)之間位圖索引，關鍵幀等數(shù)據(jù)結構的差異，建立波粒超大視頻數(shù)據(jù)解析算法，實現(xiàn)了波粒超大視頻關鍵幀的準確分析。但是傳統(tǒng)方法可操作性較差，在此基礎上，以VR為技術背景，提出一種廣場綠化景觀格局數(shù)據(jù)關鍵幀解析方法。根據(jù)變化率情況，采用對應閾值檢測關鍵幀，避免關鍵幀檢測閾值過于單一；通過計算極大后驗概率原則下最優(yōu)解問題，提升分割精準度；利用斑塊密度、平均形狀指數(shù)、邊緣密度、優(yōu)勢度指數(shù)、多樣性指數(shù)以及距離指數(shù)等指標，增加格局數(shù)據(jù)關鍵幀解析的直觀性。

2 廣場綠化景觀格局VR影像關鍵幀閾值選取

VR影像用累積直方圖表示，影像內(nèi)容變化用累積直方圖距離度量，影像的累積直方圖界定公式如下所示

(1)

式中，影像特征取值為k，可取值的特征數(shù)量是i，特征取值總數(shù)量是l，特征值是k的影像像素數(shù)量為nk，像素總個數(shù)為N。

用下列公式描述影像第X幀與第Y幀的累積直方圖距離

(2)

影像內(nèi)容的差異度用變化率CR衡量，界定條件式如下所示

(3)

式中，影像相鄰幀差為FDsum，影像相鄰幀的平均差值為FDmean，所有影像相鄰幀差的方差是Tsum，所有影像相鄰幀的平均差值方差是Tmean。其中，相鄰幀差FDsum與平均幀差FDmean的界定公式分別如下所示

FDsum=sum(DC1，DC2，…，DCn)

(4)

FDmean=mean(DC1，DC2，…，DCn)

(5)

式中，影像中相鄰幀差的個數(shù)為n。

如果影像的相鄰幀差均值與相鄰幀差比對應閾值小，則影像內(nèi)容差異度小，變化率取值-1；如果影像的相鄰幀差均值與相鄰幀差比對應閾值大，則影像內(nèi)容差異程度大，變化率取值1；若屬于其它情況，則影像內(nèi)容差異程度中等，變化率取值0。

關鍵幀閾值可通過下列公式確定

Th=m+sσ

(6)

上式里，影像相鄰幀差的方差與均值分別為σ與m，加權系數(shù)是s，系數(shù)取值根據(jù)影像內(nèi)容變化率決定，當變化率較大時，通過高閾值Thh檢測關鍵幀，若變化率較小，利用低閾值Thl檢測關鍵幀，這樣可以防止關鍵幀檢測閾值過于單一。

依據(jù)影像內(nèi)容變化程度CR，選取關鍵幀的流程描述如下：

1)假設影像幀集合為Syxz={F1，F(xiàn)2，…，F(xiàn)mid，…，F(xiàn)i，…，F(xiàn)n}，其中，關鍵幀集合Sgjz中有M個元素，初始化是空集狀態(tài)；

2)變化程度CR取值-1，影像關鍵幀為中間幀F(xiàn)mid，且Sgjz=Sgjz∪Fmid，M=M+1；

3)變化程度CR取值1，當前幀是Fc，后續(xù)幀是Fs，DC(Fc，F(xiàn)s)表示兩幀之間的距離，高閾值Thh=m+shσ，假設Fc=F1，那么，Sgjz=Sgjz∪F1，M=M+1，求解兩幀間距時，如果累積直方圖間距DC(Fc，F(xiàn)s)大于高閾值Thh，則Sgjz=Sgjz∪Fs，F(xiàn)c=Fs，M=M+1，如果DC(Fc，F(xiàn)s)比高閾值Thh小，則Fc=Fs，直到解得Fc=Fn計算結束，VR影像關鍵幀提取完成；

4)變化程度CR取值0，閾值為低閾值Thl=m+slσ，提取關鍵幀；

5)所有影像關鍵幀提取完畢，組建關鍵幀集合Sgjz，得到影像序列。

3 廣場綠化景觀格局關鍵幀影像特征提取

3.1 關鍵幀影像分割

假設尺寸是L×W的影像像素點集合是Sxsd={s=(i′，j′)}，且1≤i′≤L，1≤j′≤W，影像強度矩陣設定為H={Hs;s∈Sxsd}，經(jīng)過分割的影像種類標簽是R={rs，rs∈{1，2，…，p}}，影像分割種類個數(shù)是p；若分割后第i類指數(shù)分布參數(shù)是δi，那么，通過下列計算公式求取影像概率密度函數(shù)[4]

(7)

依據(jù)貝葉斯原理[5]，架構下列影像分割后驗概率函數(shù)表達式

(8)

基于上式將影像像素點幅度值用Hs表示，通過計算極大后驗概率原則[6]下最優(yōu)解問題，完成影像分割，求解最優(yōu)解問題的公式如下所示

(9)

(10)

(11)

3.2 VR影像特征提取

為確保影像信號在0到1之間進行取值，歸一化處理分割后的關鍵幀影像，通過像素差值同化所有影像信號規(guī)格，影像信號Z的歸一化處理公式如下所示

(12)

假設歸一化處理過的影像信號Z尺度信息是J，方向信息是K，經(jīng)過兩信息的Contourlet變換，獲取影像低、高頻系數(shù)，分別表示為bAj″(t)與bDj″，i″(t)，其中，j″=1，2，…，2-J，i″=1，2，…，2-K，下列公式分別為相關約束條件式

(13)

影像歸一化處理信號Z的低、高頻率與高、低尺度信息均包含于上列約束條件式中。

利用模糊邏輯方法[9]，模糊性濾除歸一化處理后的影像，融合Contourlet變換與模糊邏輯[10]，設定特征提取輸入語言變量為語義變量LA、LD，則語義變量LA、LD的集合表達式如下所示

(14)

式中，集合ψA與ψD中所含變量個數(shù)分別是τA與τD，采用下列計算公式求解與集合ψA、ψD相對應的影像隸屬度函數(shù)[11]

μψA[bAj″(t)]

(15)

式中，對應于影像信號語義變量LA與LD的第γ個與第λ個隸屬度函數(shù)，分別用μVAγ(γ=1，2，…，τA)與μVDλ(λ=1，2，…，τD)表示。

由上列各式推導出影像信號語言變量與對應隸屬度函數(shù)的相關性，關系表達式如下所示

GA[bAj″(t)]=ψA?μψA[bAj″(t)]

(16)

(17)

利用激活強度計算公式求取所有模糊區(qū)域的激活強度值后，通過下列加權融合計算公式，得到關鍵幀影像特征矢量ω，完成關鍵幀影像特征提取

(18)

4 實驗分析

4.1 實驗參數(shù)

綠化景觀格局與生態(tài)學相關，因此，基于生態(tài)學理念，設定綠化景觀格局解析指標，利用斑塊密度、平均形狀指數(shù)、優(yōu)勢度指數(shù)等指標，更直觀地解析格局數(shù)據(jù)關鍵幀。為優(yōu)化后續(xù)綠化景觀格局整體規(guī)劃，通過分析景觀格局的服務價值，得到綠化生態(tài)系統(tǒng)服務總價值。

1)斑塊密度

利用斑塊密度PD反映綠化景觀組合空間的破碎化程度，表達式如下所示

(19)

式中，廣場綠化景觀所含斑塊總數(shù)是N，廣場綠化景觀空間面積總和為A，綠化景觀中所有斑塊邊界總長度是E，綠化物種組成與邊緣效應決定邊緣密度。

2)平均形狀指數(shù)

平均形狀指數(shù)MSI計算公式如下所示

(20)

式中，斑塊周長為pij，斑塊面積為aij。該指標取值范圍不小于1，若平均形狀指數(shù)取值1，則綠化景觀空間的斑塊形狀是方形，隨著指數(shù)值不斷增加，斑塊形狀慢慢與正方形發(fā)生偏離。

3)優(yōu)勢度指數(shù)

優(yōu)勢度指數(shù)DI的計算公式如下所示：

DI=SDImax+∑pilgpi

(21)

式中，多樣性指數(shù)極大值是SIDmax綠化景觀各類別斑塊與總面積的占比為pi，若該指標取值0，則綠化景觀只有一種斑塊，斑塊種類隨著指數(shù)值的增加而增多。

3)服務總價值

綠化景觀空間格局生態(tài)系統(tǒng)服務總價值V的表達式，如下所示

(22)

式中，價值系數(shù)用u、v表示，第i類綠化景觀分布面積是Aj，廣場中該綠化景觀格局的生態(tài)功能單價是qij。

4.2 實驗數(shù)據(jù)分析

利用VR技術構建一個總面積為2500平方米的廣場綠化景觀影像序列，從中提取的關鍵幀如圖1所示。

圖1 廣場綠化景觀關鍵幀示意圖

根據(jù)關鍵幀示意圖，分析計算得出表1所示的廣場綠化景觀指數(shù)值。

表1 廣場綠化景觀指數(shù)值統(tǒng)計表

通過表1中數(shù)據(jù)可以看出，從關鍵幀中共提取出五種斑塊類型，全面展現(xiàn)出綠化景觀影像中的主要信息，并對該關鍵幀做出如下解析：根據(jù)各類斑塊的密度指數(shù)可知，在廣場綠化景觀格局中，林地與草地所占面積較大，滿足廣場綠化與生態(tài)需求；水體與建筑斑塊密度較小，說明為方便人類活動，構建了較多的運動空地，符合廣場用途目的；少許未開發(fā)區(qū)域的保留，則是為實際建設時有可能會遇到的突發(fā)狀況做應急準備。

在此基礎上，以服務總價值為參數(shù)，對比文獻[2]方法和文獻[3]方法，對比結果如圖2所示。

圖2 不同方法系統(tǒng)服務價值對比圖

如圖2所示，所提方法的綠化景觀空間格局生態(tài)系統(tǒng)服務總價值明顯高于傳統(tǒng)方法，說明所提方法具有較高的實際應用性。

5 結論

VR技術對社會生活的不斷滲透，將VR技術與廣場綠化景觀格局設計結合，架構一種景觀格局數(shù)據(jù)關鍵幀解析方法。為使該方法具有更好的發(fā)展前景與更廣闊的應用空間，仍需要進行大量的研究工作：關鍵幀邊界檢測是影像分析、檢索的首要環(huán)節(jié)與基礎，根據(jù)壓縮域屬性，提出一種關鍵幀檢測算法，具有實際研究價值；在特征提取階段，基于景觀格局領域與相關知識，聯(lián)立低層特征與高層語義之間的關系；只針對數(shù)據(jù)關鍵幀的視覺特征加以解析，完整度略顯不足，應融入音頻特征與文本信息，使關鍵幀解析更加精準；綠化景觀格局類型多種多樣，應依據(jù)不同的場景特點與設計理念，創(chuàng)建一個具有通用性能的基本解析框架。