视觉传达效果的区域三维图像虚拟重建

王丽莉

摘  要： 为了提高模糊区域三维图像的识别能力，需要进行视觉传达和图像虚拟重建。因此文中提出基于视觉传达效果的区域三维图像虚拟重建方法。构建区域三维图像的网格分布模型，采用视觉特征提取方法进行区域三维图像的空间信息特征分布式重组，结合边缘轮廓特征提取方法进行区域三维图像的边界区域检测。建立区域三维图像视觉传达模型，结合模糊结构重组方法进行区域三维图像的自适应像素重构，根据区域三维图像的纹理、细节区域进行图像的三维纹理结构重组和稀疏散乱点重建，重建区域三维图像的灰度直方图，基于视觉传达效果实现区域三维图像虚拟重建。仿真结果表明，采用该方法进行区域三维图像虚拟重建的视觉效果较好，三维图像虚拟重建的质量较高。

关键词： 三维图像; 虚拟重建; 视觉传达建模; 自适应像素重构; 灰度直方图; 仿真分析

中图分类号： TN911.73?34; TP391               文献标识码： A                      文章编号： 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

随着图像信息处理技术的发展，对图像的成像和视觉表达能力要求日渐提高[1]。结合细节特征识别和优化检测方法，研究视觉传达效果的区域三维图像虚拟重建方法在图像识别中具有实践价值[2]。本文提出基于视觉传达效果的区域三维图像虚拟重建方法。构建区域三维图像的网格分布模型，重建区域三维图像的灰度直方图，实现区域三维图像虚拟重建，最后进行仿真测试分析可知，该三维图像虚拟重构方法在图像识别和检测中具有重要意义。

1  三维图像的网格分布重组

1.1  三维图像的网格分布模型

为了实现视觉传达效果的区域三维图像虚拟重建，首先需要构建区域三维图像的网格分布模型，采用视觉特征提取方法进行区域三维图像的空间信息特征分布式重组[3]，构造区域三维图像多分辨重构模型，采用水平集量化特征分解方法，描述为：

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

在分割轮廓上，采用正态分布模型进行三维图像视觉特征分析和边缘轮廓检测[4?5]，构建区域三维图像性融合的水平集函数为：

[E=θELBF+（1-θ）ELGF+vL?+μP?] （2）

式中：[θ]为区域三维图像的像素灰度特征量;[L?]为边缘轮廓曲线长度约束项。采用灰阶量化特征分析和模板匹配的方法[6]，得到区域三维图像虚拟重建的视觉目标区域特征匹配结果为：

[L?=Ωδ（?）??dx] （3）

[P?]为区域三维图像的多尺度边缘分布正则项，进行区域三维图像的分块检测和区域性融合处理，假设区域三维图像的像素特征分布集的矢量为[Skk=1，2，…， M]，根据区域三维图像纹理分布进行虚拟重建，得到的网格结构模型如图1所示。

1.2  区域三维图像特征重组

采用视觉特征提取方法进行区域三维图像的空间信息特征分布式重组，结合边缘轮廓特征提取方法进行区域三维图像的边界区域检测，在D维空间中进行区域三维图像的空间分布式重建[7]，结合3D模型构造方法，建立区域三维图像纹理特征分布集，表示为：

[ux，y;t=Gx，y;t]              （4）

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

式中：[Δu]为在区域三维图像的区域边缘虚拟重建的特征分量;[σ]为视觉传达次数。

根据区域三维图像纹理的规则分布进行虚拟重建，采用平滑滤波方法进行图像降噪处理[8?9]，平滑滤波模型为：

[f=f，dγ0dγ0+Rf]              （6）

式中，[f，dγ0]表示区域三维图像的像素特征点在[dγ0]方向上的统计特征分布集。采用稀疏性特征表达方法进行区域三维图像的视觉传达设计，构建区域三维图像的统计信息分布模型，得到区域三维图像特征重组结果[f（gi）]为：

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

获得区域三维图像的特征匹配集后，根据虚拟重建的网格分块信息进行区域三维图像特征重组[10]。

2  区域三维图像虚拟重建优化

2.1  区域三维图像视觉传达模型

建立区域三维图像视觉传达模型，结合模糊结构重组方法进行区域三维图像的自适应像素重构[11]，对区域三维图像视觉信息重建的区域为[S′]，在模糊区域三维图像的边缘轮廓部分，提取边缘特征点[（x′，y′）]，进行纹理梯度分解，计算模糊区域三维图像所纹理分布集为：

[w（i，j）=1Z（i）exp-d（i，j）h2] （8）

式中，[Z（i）=j∈Ωexp-d（i，j）h2]为一阶、二阶纹理分布算子。定义区域三维图像超分辨率重建的模板特征分布函数，采用活动轮廓检测方法进行模糊纹理三维图像特征重构，采用高分辨的区域信息融合方法[12]，进行模糊区域三维图像的特征分解，提取模糊区域三维图像统计特征分量为：

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

式中：[t（x）]为局部边缘信息的全局拟合参数;[Ac]为区域三维图像的多维卷积特征量;[Ic（y）]为区域三维图像的透射强度。设[J（x）t（x）]为视觉传达系数，得到输出的模糊区域三维图像的虚拟视觉传达迭代式为：

[bnrβX=RβX-RβX1]  （10）

假设区域三维图像的视觉传达区域大小为[M·N]，重建区域三维图像的灰度直方图，得到区域三维图像的像素特征分解式为：

[βi=exp-xi-xj22σ21distxi，xj] （11）

结合边缘轮廓特征提取方法进行区域三维图像的边界区域检测，建立區域三维图像视觉传达模型，实现区域三维图像视觉传达模型设计[13]。

2.2  区域三维图像虚拟重建输出

构建区域三维图像视觉传达模型，根据视觉传达效果[14]，得到区域三维图像虚拟重构的正态分布函数为：

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

根据图像角点分布的相似性进行虚拟重建，提取区域三维图像的视觉传达特征，得到区域三维图像的纹理结果分布为：

[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）

根据区域三维图像的纹理、细节区域进行图像的三维纹理结构重组和稀疏散乱点重建，重建区域三维图像的灰度直方图[15]，得到图像W的R，G，B分量，相应的三维图像虚拟重建输出特征分布集[AR]，[AG]，[AB]和[WR]，[WG]，[WB]。综上分析，实现区域三维图像虚拟重建。

3  仿真实验分析

对区域三维图像的虚拟重建建立在Matlab仿真软件基础上，区域三维图像虚拟重建的匹配模板为80×80的均匀分布模板，视觉传达的空间分布区域为2 000[×]2 000，模糊区域三维图像分割的学习速率为0.25，随机抽样的像素点数目为400，噪声干扰强度为-12 dB。根据上述仿真参数设定，进行区域三维图像的虚拟重建，以原始的大脑MR图像和心脏CT图像为例，得到待重建图像如图2所示。

采用本文方法在视觉传达模型中实现图像重建，得到重建输出如图3所示。

分析图3得知，采用本文方法能有效实现三维图像的虚拟重建，测试输出信噪比。从得到对比结果分析可知，本文方法输出信噪比较高，提高了重建图像的视觉传达效果。

4  结  语

本文提出基于视觉传达效果的区域三维图像虚拟重建方法，结合边缘轮廓特征提取方法进行区域三维图像的边界区域检测，采用活动轮廓检测方法进行模糊纹理三维图像特征重构，采用高分辨率的区域信息融合方法，进行模糊区域三维图像的特征分解，基于视觉传达效果实现区域三维图像虚拟重建。分析得知，采用本文方法进行区域三维图像虚拟重建的视觉效果较好，输出信噪比较高，说明重建质量较好。

参考文献

[1] 王鑫，周韵，宁晨，等.自适应融合局部和全局稀疏表示的图像显著性检测[J].计算机应用，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] 刘天赐，史泽林，刘云鹏，等.基于Grassmann流形几何深度网络的图像集识别方法[J].红外与激光工程，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] 刘颖，梁楠楠，李大湘，等.基于光谱距离聚类的高光谱图像解混算法[J].计算机应用，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] 张广燕，王俊平，邢润森，等.PSLIP新模型及在边缘检测和图像增强中的应用[J].电子学报，2015，43（2）：377?382.

[9] 高亮，潘积远，于佳平.多元线性回归在非负矩阵分解人脸识别中的应用[J].计算机与现代化，2017（11）：45?49.

[10] 吴林彦，鲁昊，高诺，等.基于CSP算法与小波包分析方法的运动想象脑电信号特征提取性能的比较[J].生物医学工程研究，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] 孔繁锵，卞陈鼎，李云松，等.非凸稀疏低秩约束的高光谱解混方法[J].西安电子科技大学学报，2016，43（6）：116?121.

[13] 袁博.空间与谱间相关性分析的NMF高光谱解混[J].遥感学报，2018，22（2）：265?276.

[14] 贾志成，薛允艳，陈雷，等.基于去噪降维和蝙蝠优化的高光谱图像盲解混算法[J].光子学报，2016，45（5）：106?115.

[15] 石美红，李青，赵雪青，等.一种基于保角相位的图像边缘检测新方法[J].电子与信息学报，2015，37（11）：2594?2600.