基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)設(shè)計

萬陸洋

摘? 要： 針對傳統(tǒng)的三維虛擬動態(tài)重現(xiàn)方法效果不佳的問題，提出基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)設(shè)計。運用相關(guān)理論處理三維虛擬動態(tài)圖像，再運用大型數(shù)字媒體中的Grab Cut 算法求解高斯混合模型表達式。在實現(xiàn)能量模型構(gòu)建后，引入歸一化直方圖，計算像素點前景概率和背景概率。在完成上述計算過程后，根據(jù)三維虛擬動態(tài)重現(xiàn)流程得到[Bin]值，實現(xiàn)三維虛擬動態(tài)重現(xiàn)。由此，完成基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)方法的設(shè)計。最后，創(chuàng)建實驗環(huán)境，按照實驗流程，完成對比實驗。實驗應(yīng)用公式計算兩種方法重現(xiàn)結(jié)果的準(zhǔn)確率、召回率和F?measure 值。實驗結(jié)果表明，所提方法相比傳統(tǒng)方法準(zhǔn)確率高5.264%、召回率高2.054%、F?measure 值高3.652%。說明所提方法符合設(shè)計需求。

關(guān)鍵詞： 大型數(shù)字媒體; 三維虛擬圖像; 動態(tài)重現(xiàn); 圖像處理; 能量模型構(gòu)建; 對比驗證

Abstract： A design of 3D virtual dynamic reconstruction based on large?scale digital media is proposed to improve the effect of the traditional 3D virtual dynamic reconstruction method. The correlation theory is used to process the 3D virtual dynamic image， and then the Grab Cut algorithm in the large?scale digital media is utilized to solve the Gaussian mixture model expression. The energy model is built， after which the normalized histogram is introduced to calculate the foreground probability and background probability of pixels. After completing the above calculation process， the [Bin] values are obtained according to the 3D virtual dynamic reconstruction process， and the 3D virtual dynamic reconstruction is realized. Therefore， the design of 3D virtual dynamic reproduction method based on large?scale digital media is completed. The experimental environment was created and the comparative experiment was completed according to the experimental process. The accuracy， recall and F?measure value of the reconstruction results of the two methods were calculated by the formula. The experimental results show that the accuracy， recall and F?measure of the designed reconstruction method are 5.264%， 2.054% and 3.652% higher than those of the traditional methods. It shows that the porposed method meets the design requirements.

Keywords： large?scale digital media; 3D virtual image; dynamic reconstruction; image processing; energy model construction; comparison validation

0? 引? 言

傳統(tǒng)的三維虛擬動態(tài)重現(xiàn)技術(shù)主要是通過掃描重建目標(biāo)，獲取目標(biāo)對象的三維坐標(biāo)實現(xiàn)重現(xiàn)[1]。這種方法可以在較短時間內(nèi)，重現(xiàn)出高精度的三維模型，但操作復(fù)雜，不具有適用性。

為了減少建模成本，提出基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)設(shè)計。采用大型數(shù)字媒體的視頻影像和相機等感覺媒體，獲取動態(tài)目標(biāo)的三維坐標(biāo)，再運用Grab Cut 算法計算圖像間的幾何關(guān)系，獲取三維重現(xiàn)動態(tài)目標(biāo)。

1? 三維虛擬動態(tài)分割

基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)方法處理過程如下：

Step1：為了更好地優(yōu)化圖像分割算法，運用相關(guān)理論，提高分割算法精度[2]。將動態(tài)圖像分割成不相交的集合[R1，R2，…，Rn]，每個集合代表一個均勻分布的區(qū)域。由于任意兩個相鄰區(qū)域的并集是無法均勻分布的，依據(jù)圖像分割形式化定義，獲取圖像分割區(qū)域：

式中：[I]表示虛擬動態(tài)圖像;[R′I]表示圖像分割區(qū)域。虛擬動態(tài)圖像分割結(jié)果要滿足以下幾點：第一，虛擬動態(tài)圖像的每個像素點都有屬于自己的區(qū)域;第二，每個區(qū)域必須要滿足連通性;第三，任意區(qū)域之間都不能相交[3]。

Step2：在完成虛擬動態(tài)圖像分割后，提取顏色特征。在虛擬動態(tài)圖像中目標(biāo)都具有一定性質(zhì)，而顏色特征的具體表現(xiàn)是基于像素點的，通常會采用顏色圖像直方圖，用以表示虛擬動態(tài)圖像中亮度分布的直方度[4]。圖像中包含每個亮度像素的個數(shù)，根據(jù)顏色直方圖的信息分布情況，調(diào)整圖像的亮度。

Step3：提取虛擬動態(tài)圖像紋理[5]。紋理基元和紋理基元排列方式分別為規(guī)則排列和不規(guī)則排列，通常會采用自相關(guān)函數(shù)和灰度差分統(tǒng)計這兩種方法提取紋理特征。本次設(shè)計采用自相關(guān)函數(shù)，在反應(yīng)紋理的周期性上，可以表現(xiàn)出較好的效果，一幅三維虛擬動態(tài)圖像[I=fx，y]，則它的自相關(guān)函數(shù)為：

式中：[ε]，[η]，[j]，[k]分別表示虛擬動態(tài)圖像的每個像素;[w]表示模板參數(shù)。在通常情況下，紋理越粗糙，偏離量就越大[6?7]。

Step4：圖像處理。在圖像處理中，為了能夠準(zhǔn)確設(shè)定像素點之間的權(quán)值，就需要建立圖和虛擬動態(tài)圖像之間的關(guān)系，運用圖的理論知識，處理二者的關(guān)系[8]，完成虛擬動態(tài)圖像的處理。

2? 大型數(shù)字媒體三維虛擬動態(tài)重現(xiàn)

改善圖像分割效果是基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)方法的第一步，也是最重要的一步。在完成圖像處理后，需要處理虛擬動態(tài)圖像的背景，運用大型數(shù)字媒體的Grab Cut算法，判斷像素屬于前景還是背景。需要注意的是，在構(gòu)圖的過程中，要先增加一類節(jié)點用于標(biāo)記像素所屬類別，最后使用最小割完成三維虛擬動態(tài)重現(xiàn)[9]。具體過程如下：

首先，將虛擬動態(tài)圖像的所有像素映射成S?T網(wǎng)絡(luò)，如圖1所示。圖1中，S為源點，對應(yīng)前景終點，T為匯點，對應(yīng)背景終點。由圖1可知，每個像素點可以分為，與S相連的邊和與T相連的邊。每條邊上的權(quán)值都能反映出像素點在前景或者背景的顏色差異。最后，通過最小割來實現(xiàn)圖像分割[10]。

在實現(xiàn)圖像分割后，要構(gòu)建能量模型，簡化求解過程。先求解圖像前景和背景的像素點，得到各個高斯分量，再計算每個高斯分量比重，求解高斯混合模型表達式。

引入一種新的能量函數(shù)，表達式為：

式中：[θS]表示目標(biāo)[S]的直方圖;[H]表示概率分布函數(shù);[E（S）]表示新能量函數(shù)[11]。運用式（3）可優(yōu)化高斯混合模型表達式，減少傳統(tǒng)算法計算量。

式（3）在考慮顏色直方圖[θS]分布式時，僅設(shè)定了一種黑白分布情況。由式（3）可得，當(dāng)黑白像素在完全分割的情況下，[H]值最小為0。當(dāng)顏色增多時，可以利用式（3）判斷對圖像像素分配正確與否，給予相應(yīng)的懲罰。

應(yīng)用式（3）的變換可以得到新的能量函數(shù)，表達式為：

式中，[θS]表示[S]內(nèi)像素的概率分布[12]。

在實現(xiàn)能量模型構(gòu)建后，重現(xiàn)三維虛擬動態(tài)圖像結(jié)構(gòu)。在構(gòu)建三維虛擬動態(tài)圖像結(jié)構(gòu)時，要先計算像素點前景和背景的概率。在計算[S]和[T]權(quán)值時，要判斷該像素點屬于能量模型的第幾個高斯分量。通過計算[S]和[T]相連的邊權(quán)值，構(gòu)建圖結(jié)構(gòu)，實現(xiàn)三維虛擬動態(tài)重現(xiàn)[13]。引入歸一化直方圖，增加輔助節(jié)點[Bin]，運用算法圖求解每個像素所屬的[Bin]值，如圖2所示。

由圖2可知，S和T相連的邊權(quán)值為固定值，被標(biāo)記的點為前景，與S相連的邊權(quán)值為一個極大的常數(shù)，與T相連的邊權(quán)值[14]為0。[Bin]值的計算公式為：

式中：若[numBin]小于255，在計算過程中[numBin]值會影響最終重現(xiàn)效果;若[numBin]值小于0，會出現(xiàn)重影;若[numBin]大于255，最終呈現(xiàn)的效果圖會出現(xiàn)大量空洞。重現(xiàn)好的圖要經(jīng)過最大流和最小割計算，待計算后，得到權(quán)值之和，也就是三維虛擬動態(tài)圖像最終的重現(xiàn)效果[15]。

由此，完成基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)方法的設(shè)計。

3? 實驗分析

通過比較傳統(tǒng)三維虛擬動態(tài)重現(xiàn)方法和所提方法重現(xiàn)結(jié)果的召回率、準(zhǔn)確率和F?measure 值，來衡量三維虛擬動態(tài)圖像重現(xiàn)的優(yōu)劣。

3.1? 實驗環(huán)境設(shè)置

選擇的操作系統(tǒng)為Windows 7，內(nèi)存為4 GB。開發(fā)環(huán)境為Microsoft Visual Studio 2017。

3.2? 實驗結(jié)果評價方法

在三維虛擬動態(tài)重現(xiàn)領(lǐng)域內(nèi)，通過采用主觀評價分析法、客觀評價法來評價重現(xiàn)效果的優(yōu)劣。在評價的過程中，要觀察重現(xiàn)目標(biāo)的完整性;觀察重現(xiàn)結(jié)構(gòu)是否出現(xiàn)欠分割的現(xiàn)象;觀察重現(xiàn)目標(biāo)的邊緣是否光滑，或者是否存在未重現(xiàn)的結(jié)構(gòu)。

3.3? 實驗對比結(jié)果

根據(jù)計算得到基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)方法與傳統(tǒng)方法重現(xiàn)結(jié)果的召回率、準(zhǔn)確率和F?measure值，如圖3所示。

由圖3可知，運用本次設(shè)計的基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)方法的準(zhǔn)確率、召回率和F?measure 值相比傳統(tǒng)方法準(zhǔn)確率高5.264%、召回率高2.054%，F(xiàn)?measure 值高3.652%。說明，所提方法三維虛擬動態(tài)重現(xiàn)效果達到了改進的目的。

4? 結(jié)? 語

本次設(shè)計引入了新的能量函數(shù)，創(chuàng)建基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)算法，減少了求解高斯混合模型花費的時間。使用非歸一化直方圖判斷像素前景概率和背景概率，有效解決了傳統(tǒng)算法在多次迭代過程中仍處于欠重現(xiàn)的問題。該方法優(yōu)化了傳統(tǒng)方法圖像分割算法的精度。通過實驗驗證了基于大型數(shù)字媒體的三維虛擬動態(tài)重現(xiàn)方法的可行性。在實驗中，發(fā)現(xiàn)Grab Cut 算法的迭代次數(shù)仍處于過分割的狀態(tài)，在后續(xù)研究中，應(yīng)提高Grab Cut 算法的效率。

參考文獻

[1] 陳衡.3D數(shù)字媒體虛擬制造技術(shù)在拖拉機設(shè)計中的應(yīng)用[J].農(nóng)機化研究，2018，40（7）：200?205.

[2] 顏軍.計算機虛擬現(xiàn)實技術(shù)的環(huán)境藝術(shù)設(shè)計系統(tǒng)構(gòu)建[J].現(xiàn)代電子技術(shù)，2018，41（7）：62?66.

[3] 古英漢，伊鵬.多虛擬機動態(tài)遷移情景下的服務(wù)功能鏈調(diào)整方法[J].小型微型計算機系統(tǒng)，2017，38（5）：1022?1027.

[4] 趙永偉.基于三維圖像重現(xiàn)技術(shù)的陶瓷產(chǎn)品3D打印設(shè)計仿真研究[J].現(xiàn)代電子技術(shù)，2017，40（16）：123?125.

[5] 余肖翰，余麒祥.基于UE4引擎的海洋虛擬可視化初探[J].應(yīng)用海洋學(xué)學(xué)報，2017，36（2）：295?301.

[6] 方傳峰，余傳玉，史存丁，等.基于FLAC3D模型動態(tài)更新的自然崩落法開采過程模擬技術(shù)[J].中國安全生產(chǎn)科學(xué)技術(shù)，2018，14（5）：89?94.

[7] 李濤濤，方雄兵，林銳，等.基于Top?down建模機制的三維虛擬人快速建模方法[J].中國艦船研究，2017，12（1）：38?44.

[8] 張瑞秋，張續(xù)沖，孫煒.基于虛擬樣機技術(shù)的平面機構(gòu)運動精度漸變分析[J].圖學(xué)學(xué)報，2017，38（2）：278?282.

[9] 陳崢.基于動態(tài)連續(xù)數(shù)據(jù)的GPU調(diào)試系統(tǒng)設(shè)計和實現(xiàn)[J].電子技術(shù)應(yīng)用，2018，44（6）：8?10.

[10] 何民，韓智泉，于海寧，等.考慮同伴群動態(tài)交流分組的行人仿真模型研究[J].交通運輸系統(tǒng)工程與信息，2017，17（2）：136?141.

[11] 程旸，蔣亦樟，錢鵬江，等.知識遷移的極大熵聚類算法及其在紋理圖像分割中的應(yīng)用[J].智能系統(tǒng)學(xué)報，2017，12（2）：179?187.

[12] 夏穎慧，吳昊天.用于實現(xiàn)醫(yī)學(xué)圖像ROI對比度增強的可逆數(shù)據(jù)隱藏算法[J].計算機工程與應(yīng)用，2017，53（18）：186?191.

[13] 楊萍，郭乙陸，魏賀，等.一種用于水下圖像的光譜重構(gòu)方法：理論及應(yīng)用[J].紅外與激光工程，2017，46（3）：268?275.

[14] 王忍寶，許四祥，李天甲，等.基于DSP/BIOS圖像處理的弱小目標(biāo)檢測[J].紅外技術(shù)，2017，39（6）：500?504.

[15] 陳愷煊，劉昕，王咚.基于圖像掩模和擊中擊不中變換的優(yōu)化邊緣提取算法[J].西安理工大學(xué)學(xué)報，2018，34（1）：116?121.