基于計算機視覺算法的圖像處理技術的研究

陳宏君 謝建民

（湖南交通工程學院，湖南 衡陽 421009）

在過去，傳統的二維環境中物體只能顯示側面投影，隨著科技的發展，人們創造出三維立體畫面，并將其作為新型顯示技術。文章通過設計一種真三維顯示計算機視覺系統，提出計算機視覺算法對物體投影過程中畸變圖像的矯正。這種圖像處理技術與過去的BP 神經網絡相比，其矯正精度更高，可以被廣泛應用于圖像處理。

一、計算機圖像處理技術

1、基本含義

利用計算機處理圖像需要對圖像進行解析與加工，從中得到所需要的目標圖像。圖像處理技術應用時主要包含以下兩個過程：（1）轉化要處理的圖像，將圖像變成計算機系統支持識別的數據，再將數據存儲到計算機中，方便進行接下來的圖像處理。（2）將存儲在計算機中的圖像數據采用不同方式與計算方法，進行圖像格式轉化與數據處理。

2、圖像類別

計算機圖像處理中，圖像的類別主要有以下幾種：（1）模擬圖像。這種圖像在生活中很常見，有光學圖像和攝影圖像，攝影圖像就是膠片照相機中的相片。計算機圖像中模擬圖像傳輸時十分快捷，但是精密度較低，應用起來不夠靈活。（2）數字化圖像。數字化圖像是信息技術與數字化技術發展的產物，隨著互聯網信息技術的發展，圖像已經走向數字化。與模擬圖像相比，數字化圖像精密度更高，且處理起來十分靈活，是人們當前常見的圖像種類。

3、技術特點

分析圖像處理技術的特點，具體如下：（1）圖像處理技術的精密度更高。隨著社會經濟的發展與技術的推動，網絡技術與信息技術被廣泛應用于各個行業，特別是圖像處理方面，人們可以將圖像數字化，最終得到二維數組。該二維數組在一定設備支持下可以對圖像進行數字化處理，使二維數組發生任意大小的變化。人們使用掃描設備能夠將像素灰度等級量化，灰度能夠得到16 位以上，從而提高技術精密度，滿足人們對圖像處理的需求。

（2）計算機圖像處理技術具有良好的再現性。人們對圖像的要求很簡單，只是希望圖像可以還原真實場景，讓照片與現實更加貼近。過去的模擬圖像處理方式會使圖像質量降低，再現性不理想。應用圖像處理技術后，數字化圖像能夠更加精準的反映原圖，甚至處理后的數字化圖像可以保持原來的品質。此外，計算機圖像處理技術能夠科學保存圖像、復制圖像、傳輸圖像，且不影響原有圖像質量，有著較高的再現性。

（3）計算機圖像處理技術應用范圍廣。不同格式的圖像有著不同的處理方式，與傳統模擬圖像處理相比，該技術可以對不同信息源圖像進行處理，不管是光圖像、波普圖像，還是顯微鏡圖像與遙感圖像，甚至是航空圖片也能夠在數字編碼設備的應用下成為二維數組圖像。因此，計算機圖像處理技術應用范圍叫廣，無論是哪一種信息源都可以將其數字化處理，并存入計算機系統中，在計算機信息技術的應用下處理圖像數據，從而滿足人們對現代生活的需求。

二、計算機視覺顯示系統設計

1、光場重構

真三維立體顯示與二維像素相對應比較，真三維可以將三維數據場內每一個點都在立體空間內成像。成像點就是三維成像的體素點，一系列體素點構成了真三維立體圖像，應用光學引擎與機械運動的方式可以將光場重構。闡述該技術的原理，可以使用五維光場函數去分析三維立體空間內的光場函數，即，F：L∈R5→I∈R3，L=[x，y，z，]，這是五維光場函數中空間點的三維坐標和坐標下方向，而代表的是該數字化圖像顏色信息。當三維圖像模型與紋理能夠由離散點集表示，離散點集如下：。代表的是空間點內的位置與顏色。圖（1）為該計算機視覺算法下，光場的傳播情況。

圖1：光場傳播圖

接下來，可以對點集L 中的h 深度子集進行光場三維重構。將點集按照深度進行劃分，最終可以劃分成多個子集，任意一個子集都可以利用散射屏幕與二維投影形成光場重構，且這種重構后的圖像是三維狀態的。經過研究表明，應用二維投影技術可以對切片圖像實現重構，且該技術實現的高速旋轉狀態，重構的圖像也屬于三維光場范圍。

2、顯示系統設計

本文以計算機視覺算法為基礎，闡述圖像處理技術。技術實現過程中需要應用ARM 處理裝置，在該裝置的智能交互作用下實現真三維顯示系統，人們可以從各個角度觀看成像。真三維顯示系統中，成像的分辨率很高，體素能夠達到30M。與過去的旋轉式LED 點陣體三維相比，這種柱形狀態的成像方式雖然可以重構三維光場，但是該成像視場角不大，分辨率也不高。

圖（2）為真三維立體顯示框圖的基本信息，人們在三維環境中拍攝物體，需要以三維為基礎展示物體，然后將投影后的物體成像序列存儲在SDRAM 內。應用FPGA 視頻采集技術，在技術的支持下將圖像序列傳導入ARM 處理裝置內，完成對圖像的切片處理，圖像數據信息進入DVI 視頻接口，并在DMD 控制設備的處理后，圖像信息進入高速投影機。經過一系列操作，最終DLP 可以將數字化圖像朝著散射屏的背面實現投影。想要實現圖像信息的高速旋轉，需要應用伺服電機，在電機的驅動下，轉速傳感器可以探測到轉臺的角度和速度，并將探測到的信號傳遞到控制器中，形成對轉臺的閉環式控制。

當伺服電機運動在高速旋轉環境中，設備也會將采集裝置位置信息同步，DVI 信號輸出幀頻，控制器產生編碼，這個編碼就是DVI 幀頻信號。這樣做可以確保散射屏與數字化圖像投影之間擁有同步性，圖（3）為本次基于計算機視覺算法設計出的智能交互真三維顯示裝置。根據圖中的信息得知，該智能交互真三維顯示裝置由轉臺和散射屏構成，其中還有伺服電機、采集設備、高速旋轉投影機、控制器與ARM 處理裝置，此外還包括體態攝像頭組與電容屏等其他部分。

圖2：真三維立體顯示

圖3：智能交互真三維顯示裝置

圖片中，序號1 為玻璃罩，上方有體態攝像頭裝置；序號2 是半透半反屏；序號3 是上轉臺；序號4 是高速投影機；序號5 是電動機；序號6 是傳感器裝置和傳到結構；序號7 與8為電源與轉臺；序號9 是連接軸承；序號10、11 為底座和吸光板；序號12 為傳感器；13 為另一個電動機；14 為ARM 處理裝置；15 和16 為SD 卡卡槽和視頻采集系統。該裝置擁有較強的人機交互功能，圖像成像之后有著較高的分辨力，幀頻最高可以達到104 級fps。

三、圖像畸變矯正算法

1、畸變矯正過程

在計算機視覺算法應用下，人們可以應用計算機處理畸變圖像。當投影設備對圖像垂直投影時，隨著視場的變化，其成像垂軸的放大率也會發生變化，這種變化會讓智能交互真三維顯示裝置中的半透半反屏像素點發生偏移，如果偏移程度過大，圖像就會發生畸變。因此，人們需要采用計算機圖像處理技術將畸變后的圖像進行校正。由于圖像發生了幾何變形，就要基于圖像畸變校正算法對圖片進行幾何校正，從發生畸變圖像中盡可能消除畸變，且將圖像還原到原有狀態。這種處理技術就是將畸變后的圖像在幾何校正中消除幾何畸變。投影設備中主要有徑向畸變和切向畸變兩種，但是切向畸變在圖像畸變方面影響程度不高，因此人們在研究圖像畸變算法時會將其忽略，主要以徑向畸變為主。

徑向畸變又有桶型畸變和枕型畸變兩種，投影設備產生圖像的徑向畸變最多的是桶型畸變。對于這種畸變的光學系統，其空間直線在圖像空間中，除了對稱中心是直線以外，其他的都不是直線。人們進行圖像矯正處理時，需要找到對稱中心，然后開始應用計算機視覺算法進行圖像的畸變矯正。

正常情況下，圖像畸變都是因為空間狀態的扭曲而產生畸變，也被人們稱之為曲線畸變。過去人們使用二次多項式矩陣解對畸變系數加以掌握，但是一旦遇到情況復雜的圖像畸變，這種方式也無法準確描述。如果多項式次數更高，那么畸變處理就需要更大矩陣的逆，不利于接下來的編程分析與求解計算。隨后人們提出了在BP 神經網絡基礎上的畸變矯正方式，其精度有所提高。本文以計算機視覺算法為基礎，將該畸變矯正方式進行深化，提出了卷積神經網絡畸變圖像處理技術。與之前的BP 神經網絡圖像處理技術相比，其權值共享網絡結構和生物神經網絡很相似，有效降低了網絡模型的難度和復雜程度，也減少權值數量，提高了畸變圖像的識別能力和泛化能力。

2、畸變圖像處理

作為人工神經網絡的一種，卷積神經網絡可以使圖像處理技術更好的實現。卷積神經網絡有著良好的稀疏連接性和權值共享行，其訓練方式比較簡單，學習難度不大，這種連接方式更加適合用于畸變圖像的處理。畸變圖像處理中，網絡輸入以多維圖像輸入為主，圖像可以直接穿入到網絡中，無需向過去的識別算法那樣重新提取圖像數據。不僅如此，在卷積神經網絡權值共享下的計算機視覺算法能夠減少訓練參數，在控制容量的同時，保證圖像處理擁有良好的泛化能力。

如果某個數字化圖像的分辨率為227×227，將其均值相減之后，神經網絡中擁有兩個全連接層與五個卷積層。將圖像信息轉化為符合卷積神經網絡計算的狀態，卷積神經網絡也需要將分辨率設置為227×227.由于圖像可能存在幾何畸變，考慮可能出現的集中變形形式，按照檢測窗比例情況，將其裁剪為特定大小。

四、基于計算機視覺算法圖像處理技術的程序實現

基于上述文中提到的計算機視覺算法，對畸變圖像模型加以確定。本文提出的圖像處理技術程序實現應用到了Matlab 軟件，選擇圖像處理樣本時以1000 幅畸變和標準圖像組為主。應用了系統內置Deep Learning 工具包，撰寫了基于畸變圖像算法的圖像處理與矯正程序，矯正時將圖像每一點在畸變圖像中映射，然后使用灰度差值確定灰度值。這種圖像處理方法有著低通濾波特點，圖像矯正的精度比較高，不會有明顯的灰度缺點存在。因此，應用雙線性插值法，在圖像畸變點周圍四個灰度值計算畸變點灰度情況。

當圖像受到幾何畸變后，可以按照上文提到的計算機視覺算法輸入CNN 模型，再科學設置卷積與降采樣層數量、卷積核大小、降采樣降幅，設置后根據卷積神經網絡的內容選擇輸出位置。根據灰度差值中雙線性插值算法，進一步確定畸變圖像點位灰度值。隨后，對每一個圖像畸變點都采用這種方式操作，不斷重復，直到將所有的畸變點處理完畢，最終就能夠在畫面中得到矯正之后的完整圖像。

為了盡可能的降低卷積神經網絡運算的難度，降低圖像處理時間，建議將畸變矯正圖像算法分為兩部分。第一部分為CNN 模型處理，第二部分為實施矯正參數計算。在校正過程中需要提前建立查找表，并以此作為常數表格，將其存在足夠大的空間內，根據已經輸入的畸變圖像，按照像素實際情況查找表格，結合表格中的數據信息，按照對應的灰度值，將其替換成當前灰度值即可完成圖像處理與畸變校正。不僅如此，還可以在卷積神經網絡計算機算法初始化階段，根據位置映射表完成圖像的CMM 模型建立，在模型中進行畸變處理，然后系統生成查找表。按照以上方式進行相同操作，計算對應的灰度值，再將當前的灰度值進行替換，當所有畸變點的灰度值都替換完畢后，該畸變圖像就完成了實時畸變矯正，其精準度較高，難度較小。

總結：總而言之，隨著網絡技術與信息技術的日漸普及，傳統的模擬圖像已經被數字化圖像取代，人們享受數字化圖像的高清晰度與真實度，但對于圖像畸變問題，還需要進一步研究圖像的畸變矯正方法。在計算機視覺計算基礎上，本文采用卷積神經網絡進行圖像畸變計算，按照合理的灰度值計算，有效提高了圖像的清晰度，并完成了圖像的幾何畸變矯正。