基于视觉传达技术的场景空间特征的研究

李甲骏

(河北张河湾蓄能发电有限责任公司， 河北 石家庄 050000)

0 引言

对于特征不同的场景空间，需给予准确有效的归类，而实现精准归类的基础即为对不同场景空间特征的分析[1]。实施特征选取与提取之前，需先对原始图像数据内所具备的不同程度噪声与冗余信息实施预处理[2-4]。为有效提升图像预处理中滤波除噪的效果，并提升场景空间图像的清晰呈现效果，应先选取恰当的图像采集方式，采集所需场景空间的图像数据作为实施特征分析的基础[5-6]。

泛化深度迁移特征的高分遥感场景分类方法是通过将整合后的遥感场景图像输入到深度卷积神经网络内实施预训练，将泛化性能更高的全局特征提取出，实现对遥感场景的分类，该方法虽具有较好的降噪效果与分类精度，但其分类的时效性稍差[7]；局部特H2征的多目标图像分割方法是通过运用双目摄像头采集场景图像，并实施相应预处理后，运用立体匹配将场景的深度信息获取到并确准目标区域，通过提取目标区域局部特征完成聚类分割，此方法聚类精度较高，聚类时效性好，但其降噪效果不够理想，视觉呈现效果稍差[8-9]。

视觉传达技术通常可运用立体视觉的方式实现，包括摄像系统等，基于此方式所采集的图像，具有更高的视觉传达效果[10]。基于此本文研究一种视觉传达技术的场景空间特征分析方法，通过采集场景空间图像并实施滤噪处理，实现以视觉传达的方式呈现场景空间图像，并基于此提取空间特征，完成对不同场景空间特征的有效分析，依据特征分析结果达到精准归类不同场景空间图像的目的。

1 视觉传达技术的场景空间特征分析方法

1.1 基于视觉传达技术的场景空间特征提取

1.1.1 场景空间图像采集与预处理

通过三维相机系统采集场景空间图像数据，构建所需场景，实现以视觉传达的方式将场景呈现出，为之后提取并分析场景空间特征奠定基础。由于所采集的场景空间图像内存在不同程度的噪声，故需在以图像的视觉传达为基础实施特征提取之前，对场景空间图像实行去噪处理。

图像滤波或图像平滑即为过滤掉图像内噪声的一种方式，通常而言一幅图像的关键能量几乎均在低频与中频段集中，而高频段的噪声通常会将图像内有价值的信息淹没掉。故为降低噪声对图像质量的影响，需通过一个能够降低图像内高频段噪声的滤波器实现。本文实施图像滤波处理的关键目的为：消除掉通过三维—相机系统所采集到的包含不同空间的场景空间图像噪声，提升之后通过场景空间图像提取空间特征的准确性，为精准分析场景空间特征提供有效帮助。在对目标场景空间图像实施滤波时，应在不破坏图像的边缘与轮廓等关键信息的基础上，提升图像的清晰度与整体视觉传达效果。在此选用中值滤波的方式，实现对目标场景空间图像的去噪处理。该方式能够在滤除目标场景空间图像噪声的同时，最大程度地将目标场景空间图像的边缘与轮廓等细节信息保留。

设目标场景空间图像内待处理像素点(x0,y0)的邻域集合以G表示，集合G内元素的总个数为|G|，对待处理像素点(x0,y0)实施中值滤波处理的表达式为式(1)。

(1)

式中，点(x,y)处的灰度值大小以l(x,y)表示；Sort代表排序的意思。求取中值滤波处理的中位值过程如下。

(1) 以像素点灰度值的大小为依据排列各像素点；

(2) 选取依据灰度值大小排列好的像素点内的中间值当作目标点的灰度值。中值滤波灰度值求取过程,如图1所示。

图1 中值滤波灰度值求取过程图

1.1.2 场景空间特征提取

(1) 直接特征提取。三维—相机系统是由CCD摄像机、云台及测距仪构成的。通过云台带动测距仪在垂直与水平区间内运动，最大测量范围与测量精度分别为22 m和±32 mm。在整体扫描过程内，能够将不同时刻的俯仰与水平扫描角、二维距离值同时记录下来，以此完成对三维测距数据的采集。测距仪某一距离返回值设为υ，俯仰和水平扫描角分别以φ和φ表示，那么对应此数据点的三维空间坐标为式(2)。

(2)

测距仪测量物体的两个关键参数即为俯仰与水平扫描角，三维成像的精度直接受所设置的扫描分辨率高低影响，若分辨率过高则会提高三维场景建模的误差，而分辨率过低则会提升运算。可通过设置恰当的扫描分辨率，提升三维场景建模的精度，以此提升场景空间图像的视觉传达效果。并通过在测距仪上方固定一个高清摄像头，实现对周围场景彩色图像信息的采集。依据三维—相机系统所采集到的场景内各数据点三维坐标数据与图像数据，将待分析空间的形态及位置等确准，此即为视觉传达技术的场景空间直接特征提取方法。

(2) 场景空间纹理特征提取的具体过程如下。

(a) 获取图像：运用三维—相机系统采集包含不同场景空间图像，并令待分析空间的位置位于图像的正中，实现基于视觉传达的图像获取；

(b) 纹理分析：预处理所获取到的场景空间图像后，对该图像实施纹理分析，同时将该图像的纹理特征提取出，在纹理分析的基础上运用特定描述符将场景空间的纹理特征获取到。

视觉传达技术的场景空间特征提取过程,如图2所示。

图2 场景空间特征提取过程图

1.2 场景空间特征分析

1.2.1 空间特征融合

设场景空间直接特征与纹理特征分别以W1∈Rn1和W2∈Rn2表示，其中W2内的元素设为0与1。将场景空间的直接特征与纹理特征相融合，获取到融合后的场景空间特征，将其通过We∈Rn1+Rn2表示，如式(3)。

(3)

式中，矢量W1与W2的标准差以ω1和ω2表示，此值可通过对特征向量方差的平方根实施运算获得。

1.2.2 空间特征匹配

运用特定的匹配算法将特征间的相似度获取到即为特征匹配。在此通过统计判别卡方距离，检测特征分析的性能。运用测试场景空间图像的融合特征对比其余待选场景空间图像的融合特征，两种融合特征的卡方距离为式(4)。

(4)

式中，待选场景空间图像的总数以k表示；测试场景空间图像的融合特征与待选场景空间图像的融合特征分别以M与N表示。在实施判别时，应设定一个恰当的阈值i，当卡方距离χ2与阈值i二者的关系符合χ2

基于直接特征和纹理特征融合的场景空间特征分析过程,如图3所示。

图3 场景空间特征分析过程图

2 实际应用效果分析

分别通过本文方法、泛化深度迁移特征的场景分类方法(文献[7]方法)与局部特H2征的场景图像分割方法(文献[8]方法)由两个实验场景内分别采集16幅与19幅场景空间图像，将各方法所采集到的35幅场景空间图像打乱，并分别通过各自方法对打乱后图像实施降噪预处理及空间特征分析，依据各自分析结果将各场景空间图像划分到对应的实验场景内，以划分结果为依据检验各方法对场景空间特征的分析效果。

2.1 图像采集效果对比

由各方法所采集的35幅场景空间图像中各抽取出1幅图像，对比各方法的图像采集效果。各方法采集图像呈现效果如图4所示。

图4 各方法采集图像呈现效果对比

由图4可看出，在图像采集方面，本文方法所采集的场景空间图像效果相对更清晰，噪声点也相对更低，可见本文方法的图像采集性能更优越。

2.2 视觉传达效果对比

分别通过三种方法对各自所采集到的35幅场景空间图像实施滤噪处理，以2.1小节中所抽取出的各方法采集图像为例，对比各方法滤噪后的场景空间图像呈现效果，以此检验各方法的视觉传达效果。各方法信噪比对比结果,如图5所示。

图5 各方法信噪比对比结果

通过图5能够看出，三种方法中，局部特H2征方法滤噪后的场景空间图像呈现效果稍差，图像去噪效果不够理想；本文方法与泛化深度迁移特征方法滤噪后的两幅场景空间图像呈现效果较清晰，能够有效降低图像中的多余噪声，图像去噪效果理想，但两种方法相比，本文方法滤噪后的图像清晰度更高，说明本文方法具有更好的视觉传达效果，可为之后实现空间特征分析奠定有效基础，具有较为优越的预处理性能。

2.3 分析性能对比分析

2.3.1 分析准确性对比

统计三种方法在不同场景空间图像数量下，划分结果的错误拒绝率FRR与错误误识率FAR，如表1所示。

表1 各方法划分结果的评价指标对比

分析表1中对比结果能够得出，随着所分析的场景空间图像数量的增长，各方法划分结果的错误拒绝率与错误误识率均未出现较为显著的上升趋势，说明三种方法的划分结果均较为稳定，受空间图像数量的影响较低；结合各方法的错误拒绝率与错误误识率平均值可得知，在相同条件下，本文方法的错误拒绝率与错误误识率相对更低，由此可说明，本文方法依据分析结果所得的划分结果更准确，特征分析结果更精准，具有较高的分析准确性。

2.3.2 分析时效性对比

各方法的整个分析过程用时对比结果,如表2所示。

表2 各方法分析过程用时对比结果

通过表2中数据可得知本文方法的整体分析过程用时更少，具有更好的时效性，能够满足对不同场景空间特征分析的实时性需求，为准确划分场景类别提供科学依据。

3 总结

本文研究一种视觉传达技术的场景空间特征分析方法，实际应用结果验证了本文方法优越的采集与滤噪性能，能够提升场景空间图像呈现的视觉传达效果，可为精准有效归类不同特征的场景空间图像提供有效依据。