劉靜霞 吳懷靜

摘 ?要： 近年來，在濱水區(qū)耐潮濕型觀賞植物的信息識(shí)別工作中，經(jīng)常采用智能篩選技術(shù)確保識(shí)別工作順利進(jìn)行，因此提出基于虛擬現(xiàn)實(shí)的濱水區(qū)耐潮濕型觀賞植物智能篩選方法，使用X3D?EDIT設(shè)計(jì)軟件構(gòu)建植物的根、莖、葉、花等組成部分模型，對(duì)于結(jié)構(gòu)以及外形較為復(fù)雜的植物結(jié)構(gòu)，通過3ds MAX軟件將材質(zhì)、色彩、光照等效果相結(jié)合，轉(zhuǎn)換成X3D文件，嵌入到虛擬環(huán)境中，實(shí)現(xiàn)觀賞植物三維結(jié)構(gòu)構(gòu)建與可視化。同時(shí)采用色彩對(duì)比度方法提取觀賞植物圖像特征，并提取耐潮濕型觀賞植物圖像信息庫中的圖像特征，得到候選圖像特征，將植物圖像特征和候選圖像特征同時(shí)嵌入到智能視覺節(jié)點(diǎn)內(nèi)排序，該候選圖像就是耐潮濕型觀賞植物圖像。實(shí)驗(yàn)結(jié)果表明，所提方法對(duì)濱水區(qū)耐潮濕型觀賞植物智能篩選所用的時(shí)間平均值為24.17 ms，且篩選查全率高。

關(guān)鍵詞： 耐潮濕型觀賞植物; 智能篩選; 虛擬現(xiàn)實(shí); 三維建模; 特征提取; 仿真實(shí)驗(yàn)

中圖分類號(hào)： TN915?34; S126 ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）02?0157?03

Method of virtual reality based intelligent screening for moisture?resistant type ornamental plants in waterfront area

LIU Jingxia， WU Huaijing

Abstract： In recent years， in the information identification of moisture?resistant type ornamental plants in waterfront area， the intelligent screening technology is often applied to ensure the smooth identification. Therefore， a method of virtual reality based intelligent screening for moisture?resistant type ornamental plants in waterfront area is proposed， and the X3D?EDIT design software is adopted to construct the component models of plant roots， stems， leaves， flowers and so on. For the plant structures with complex structures and shapes， the materials， colors， lighting and other effects of them are combined with the 3ds MAX software to convert them into X3D files and embed them into the virtual environment， so as to realize the construction and visualization of the three?dimensional structure of ornamental plants. At the same time， the image features of ornamental plant are extracted by means of the degree of color contrast method， and the image features in the image information database of the moisture?resistant type ornamental plant are extracted to obtain the candidate image features. The plant image features and the candidate image features are embedded into the intelligent vision node to sort at the same time. The candidate image is the moisture?resistant type ornamental plant image. The experimental results show that the average time consumed by the proposed method for the intelligent screening of moisture?resistant type ornamental plants in waterfront is 24.17 ms， and the screening recall rate is high.

Keywords： moisture?resistant type ornamental plant; intelligent screening; virtual reality; 3D modeling; feature extraction; simulation experiment

0 ?引 ?言

隨著科技不斷進(jìn)步，多媒體信息越來越多樣化，面對(duì)信息量不斷增加的情況，人腦無法滿足多種信息的識(shí)別工作，因此在信息識(shí)別工作中經(jīng)常需要引用信息的智能篩選技術(shù)，以人類眼部特征為基礎(chǔ)進(jìn)行圖像識(shí)別的智能篩選[1]，能夠保障智能篩選工作的順利進(jìn)行。

濱水區(qū)作為城市綠地系統(tǒng)中的重要組成部分，耐潮濕型觀賞植物是濱水區(qū)最重要的景觀元素，耐潮濕型觀賞植物的栽種不僅可以提高居住舒適度，改善自然環(huán)境，且具有強(qiáng)烈的藝術(shù)感染力[2]。本文提出一種基于虛擬現(xiàn)實(shí)的濱水區(qū)耐潮濕型觀賞植物智能篩選方法。該方法能有效提高濱水區(qū)的耐潮濕觀賞型植物智能篩選各方面性能，使信息識(shí)別工作順利進(jìn)行。

1 ?基于X3D的觀賞植物建模與可視化

基于X3D的虛擬觀賞植物建模與可視化主要是通過某種采集儀器對(duì)觀賞植物的空間數(shù)據(jù)進(jìn)行采集，通過計(jì)算機(jī)內(nèi)部的三維建模語言編輯程序，將采集的觀賞植物空間數(shù)據(jù)顯現(xiàn)在計(jì)算機(jī)上，實(shí)現(xiàn)對(duì)觀賞植物整個(gè)生長(zhǎng)過程的三維模擬。

1.1 ?虛擬現(xiàn)實(shí)的觀賞植物建模與可視化開發(fā)原理

在構(gòu)建三維觀賞植物結(jié)構(gòu)模型的基礎(chǔ)上構(gòu)建虛擬觀賞植物，根、莖、葉、花是完整觀賞植物的主要組成部分，使用X3D?EDIT設(shè)計(jì)軟件對(duì)以上幾個(gè)部分進(jìn)行模型構(gòu)建。虛擬現(xiàn)實(shí)技術(shù)不僅能夠?qū)τ^賞植物進(jìn)行三維可視化，而且還可以利用Script編輯程序、API編輯程序等對(duì)三維可視化虛擬觀賞植物進(jìn)行編輯[3?4]，對(duì)虛擬觀賞植物相關(guān)信息進(jìn)行顯示和反映。圖1為虛擬觀賞植物建模流程圖。

1.2 ?觀賞植物形態(tài)結(jié)構(gòu)模型構(gòu)建與可視化

三維虛擬植物構(gòu)建方法一般分為兩種：一種是使用X3D軟件對(duì)程序進(jìn)行編輯;另外一種是使用輔助建模軟件進(jìn)行模型構(gòu)建。當(dāng)使用X3D軟件對(duì)程序進(jìn)行編輯時(shí)，由于觀賞植物的主要組成部分是根、莖、葉、花，則需要對(duì)組成部分的外觀形態(tài)和結(jié)構(gòu)規(guī)律信息進(jìn)行收集，并使用擠壓節(jié)點(diǎn)Extrusion對(duì)這幾部分的模型進(jìn)行構(gòu)建。但由于某些結(jié)構(gòu)以及外形較為復(fù)雜，因此X3D語句結(jié)構(gòu)無法構(gòu)建出精準(zhǔn)度高的三維空間模型。此時(shí)需要另外一種方法，即使用輔助建模軟件進(jìn)行模型構(gòu)建[5]，一般采用AutoCAD軟件進(jìn)行三維模型構(gòu)建。當(dāng)實(shí)現(xiàn)觀賞植物模型的初步構(gòu)建之后，將X3D文件導(dǎo)出到計(jì)算機(jī)中，在計(jì)算機(jī)中對(duì)X3D源程序需要更改的部分進(jìn)行編寫。為了提高虛擬觀賞植物模型的整體效果，可以采用3ds MAX軟件進(jìn)行編寫，將材質(zhì)、色彩、光照等效果相結(jié)合，轉(zhuǎn)換成X3D文件，嵌入到虛擬環(huán)境中，實(shí)現(xiàn)虛擬觀賞型植物三維結(jié)構(gòu)構(gòu)建。

1.3 ?耐潮濕型觀賞植物特征提取

采用色彩對(duì)比度方法提取第1.2節(jié)構(gòu)建的觀賞植物根、莖、葉、花等結(jié)構(gòu)三維圖像特征。由于存在不同圖像、不同區(qū)域、不同特征點(diǎn)權(quán)值這一原理，因此提出了色彩對(duì)比度方法。由于人類視覺對(duì)事物色彩對(duì)比的敏感度很高[6]，因此對(duì)人類視覺進(jìn)行模擬，并對(duì)具有很高對(duì)比度的圖像特征進(jìn)行提取。因?yàn)槿祟愐曈X對(duì)色彩對(duì)比具有很強(qiáng)的敏感度，由此通過色彩對(duì)比度進(jìn)行計(jì)算，不僅算法簡(jiǎn)單而且的精準(zhǔn)度很高，為基于虛擬現(xiàn)實(shí)耐潮濕型觀賞植物篩選方法提供了依據(jù)。

從耐潮濕型觀賞植物圖像信息庫中選擇圖像，并將該圖像命名為[L]，假設(shè)[B]為圖像[L]的特征集合，[SB]為圖像[L]中特征集合[B]的色彩對(duì)比度，則可用公式表示為：

[SB=?B∈LDISBk，Bi] ? ? ? ? （1）

式中：[Bk]和[Bi]分別代表觀賞植物圖像特征及耐潮濕型觀賞植物圖像信息庫內(nèi)圖像[L]的某個(gè)特征;而[DISBk，Bi]代表[Bk]和[Bi]之間的空間位移。

使用色彩對(duì)比度方法對(duì)圖像進(jìn)行分割，區(qū)域色彩對(duì)比度[Sa]的公式可表示為：

[Sa=aj≠akDISaj，akwj] ? ? ? ? ?（2）

式中：各圖像分割區(qū)域以及權(quán)值分別是[aj]和[wj];[ak]代表觀賞植物圖像分割區(qū)域;[DISaj，ak]表示分割區(qū)域[aj]和[ak]之間的位移，可通過式（3）進(jìn)行計(jì)算;

[DISaj，ak=i=1ni=1nfkiDISdk，dj] ? ?（3）

要對(duì)耐潮濕型觀賞植物圖像色彩對(duì)比度標(biāo)準(zhǔn)值設(shè)置后，才能進(jìn)行兩分割區(qū)域間位移計(jì)算[7?8]，用[e]表示該耐潮濕型觀賞植物圖像色彩對(duì)比度標(biāo)準(zhǔn)值。對(duì)式（3）計(jì)算獲取的數(shù)據(jù)進(jìn)行匯總，得到原圖像[L]的色彩對(duì)比度值，此時(shí)該色彩對(duì)比度值如果并不等于色彩對(duì)比度標(biāo)準(zhǔn)值[e]，則成為候選圖像并將該候選圖像發(fā)送到視覺模擬節(jié)點(diǎn)中，智能視覺節(jié)點(diǎn)會(huì)接收到以圖片和數(shù)字兩種格式傳送的候選圖像特征。

1.4 ?耐潮濕型觀賞植物智能篩選

耐潮濕型觀賞植物智能篩選方法以觀賞植物的圖像特征為依據(jù)[9]，將候選圖像中的耐潮濕型觀賞植物圖像篩選出來。圖2為篩選流程。

耐潮濕型觀賞植物智能篩選方法能夠?qū)⒂^賞植物圖像特征和候選圖像特征同時(shí)嵌入到自身智能視覺節(jié)點(diǎn)內(nèi)，并在該節(jié)點(diǎn)內(nèi)進(jìn)行排序，若該排序與觀賞植物的特征排序接近度最高[10]，則該候選圖像就是最終的篩選結(jié)果。

2 ?仿真實(shí)驗(yàn)

為驗(yàn)證本文方法下篩選性能最優(yōu)，對(duì)比幾何限制篩選方法、C/S架構(gòu)篩選方法和本文方法篩選性能。實(shí)驗(yàn)?zāi)M某植物部門濱水區(qū)植物系統(tǒng)篩選網(wǎng)絡(luò)，構(gòu)建一個(gè)圖像信息庫，其中包含了200多種不同耐潮濕型觀賞植物圖像，使用幾何限制篩選方法、C/S架構(gòu)篩選方法和本文方法對(duì)圖像信息庫中的3組耐潮濕型觀賞植物圖像進(jìn)行篩選。圖3為耐潮濕型觀賞植物圖像。

將三種方法篩選結(jié)果與圖3中的耐潮濕型觀賞植物圖像相比較，使用Visual.c 6.0軟件繪制三種方法的篩選精度波動(dòng)率、查全率和篩選效率的數(shù)據(jù)輸出結(jié)果。圖4、圖5以及表1分別是繪制完成精度波動(dòng)率對(duì)比圖、查全率對(duì)比圖、篩選效率對(duì)比表。

由圖4、圖5可知，幾何限制篩選方法、C/S架構(gòu)篩選方法的精度波動(dòng)率都高于本文方法，而查全率卻都低于本文方法。主要原因是幾何限制篩選方法和C/S架構(gòu)篩選方法，在對(duì)耐潮濕型觀賞植物進(jìn)行智能篩選時(shí)，圖像特征提取不完整，影響篩選準(zhǔn)確率。

表1表明，幾何限制篩選方法使用篩選時(shí)間是C/S架構(gòu)篩選方法所用時(shí)間2.4倍，是本文方法所用時(shí)間3.7倍，本文方法對(duì)耐潮濕型觀賞植物圖像篩選所用的時(shí)間平均值為24.17 ms，所用時(shí)間最短。通過上述實(shí)驗(yàn)結(jié)果分析，本文方法的篩選性能最好。

3 ?結(jié) ?論

虛擬現(xiàn)實(shí)技術(shù)已經(jīng)被廣泛應(yīng)用于科學(xué)研究與可視化、軍事模擬、農(nóng)業(yè)等領(lǐng)域。作為虛擬技術(shù)的尖端X3D虛擬現(xiàn)實(shí)技術(shù)不僅具有強(qiáng)大計(jì)算能力、逼真渲染效果，還具有高效傳輸速度，近年來該技術(shù)在農(nóng)業(yè)領(lǐng)域得到全方面發(fā)展。為了對(duì)濱水區(qū)的耐潮濕觀賞型植物進(jìn)行智能篩選，本文在虛擬現(xiàn)實(shí)的基礎(chǔ)上提出一種基于虛擬現(xiàn)實(shí)的濱水區(qū)耐潮濕型觀賞植物智能篩選方法，該方法在未來的耐潮濕型觀賞植物研究方面具有深遠(yuǎn)意義。

參考文獻(xiàn)

[1] 李春曉，孫瑞志，戴佚舟，等.基于Unity3D的中國(guó)古代農(nóng)耕虛擬場(chǎng)景智能展示平臺(tái)[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（1）：308?314.

[2] 謝媛媛，蘇加坤，應(yīng)旭輝，等.基于人工智能技術(shù)的煙氣暴露大鼠代謝生物標(biāo)志物篩選方法研究[J].分析測(cè)試學(xué)報(bào)，2017，36（6）：13?18.

[3] 唐湘滟，蔡寬麒，程杰仁，等.基于智能算法的技術(shù)等級(jí)評(píng)估方法研究[J].計(jì)算機(jī)工程與科學(xué)，2018，40（1）：165?174.

[4] 曾范星，岳樺.鄭州市71種春季觀花植物的主要觀賞特性研究[J].河南農(nóng)業(yè)科學(xué)，2016，45（9）：107?113.

[5] 吳永清，胡秀，梁韓枝，等.觀賞植物白花龍的離體快繁條件篩選[J].南方農(nóng)業(yè)學(xué)報(bào)，2018，49（3）：536?542.

[6] 甘偉，劉學(xué)敏，孫靜.回歸正交評(píng)價(jià)指標(biāo)智能篩選法用于色譜分離條件的快速優(yōu)化[J].色譜，2015，33（2）：140?145.

[7] 張輝，王盼，肖軍浩，等.一種基于三維建圖和虛擬現(xiàn)實(shí)的人機(jī)交互系統(tǒng)[J].控制與決策，2018，33（11）：58?65.

[8] 王軍鋒，余隋懷，IMRE Horvath.基于用戶視覺能力的交互設(shè)備篩選方法[J].計(jì)算機(jī)應(yīng)用研究，2016，33（11）：3228?3231.

[9] 肖伯祥，郭新宇，吳升.基于位置動(dòng)力學(xué)的植物動(dòng)態(tài)虛擬仿真方法[J].中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2017，19（3）：56?62.

[10] 周曙光.關(guān)于運(yùn)動(dòng)員動(dòng)作圖像特征提取仿真研究[J].計(jì)算機(jī)仿真，2017，34（1）：384?387.

作者簡(jiǎn)介：劉靜霞（1979—），女，河南武陟人，碩士，講師，研究方向?yàn)橛?jì)算機(jī)應(yīng)用、風(fēng)景園林規(guī)劃設(shè)計(jì)。

吳懷靜（1979—），女，河南南陽人，碩士，講師，研究方向?yàn)橛?jì)算機(jī)應(yīng)用、城市與區(qū)域規(guī)劃。