萬鯉菠

摘? 要： 為了提高產(chǎn)品外包裝造型的設(shè)計(jì)效果，提出基于視覺傳達(dá)技術(shù)的產(chǎn)品外包裝造型仿真設(shè)計(jì)方法。采用圖像處理方法進(jìn)行產(chǎn)品外包裝造型視覺圖像采樣，提取產(chǎn)品外包裝造型視覺圖像的邊緣輪廓特征量，采用角點(diǎn)標(biāo)注的方法進(jìn)行產(chǎn)品外包裝造型視覺信息分析，計(jì)算產(chǎn)品外包裝造型視覺高分辨特征分布值，采用機(jī)器視覺方法進(jìn)行產(chǎn)品外包裝造型視覺三維特征重構(gòu)，結(jié)合小波多尺度分解方法進(jìn)行產(chǎn)品外包裝造型視覺信息的輪廓檢測(cè)和特征點(diǎn)標(biāo)定，建立產(chǎn)品外包裝造型視覺圖像的角點(diǎn)檢測(cè)模型，根據(jù)邊緣輪廓檢測(cè)和角點(diǎn)檢測(cè)結(jié)果，實(shí)現(xiàn)產(chǎn)品外包裝造型視覺優(yōu)化設(shè)計(jì)，提高產(chǎn)品外包裝造型的視覺傳達(dá)能力。仿真結(jié)果表明，采用該方法進(jìn)行產(chǎn)品外包裝造型視覺設(shè)計(jì)的輸出性能較好，峰值信噪比較高，提高了產(chǎn)品外包裝造型的視覺表達(dá)能力。

關(guān)鍵詞： 產(chǎn)品外包裝造型; 仿真設(shè)計(jì); 視覺傳達(dá)技術(shù); 視覺圖像采樣; 三維特征重構(gòu); 角點(diǎn)檢測(cè)建模

中圖分類號(hào)： TN911.73?34; TP391? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）18?0168?04

Abstract： A simulation design method of product external packaging modeling based on visual communication technology is proposed to improve the design effect of product external packaging modeling. The visual image sampling of product external packaging modeling is carried out by means of the image processing method， and the edge contour feature quantity of the product external packaging modeling visual image is extracted. The visual information of product external packaging modeling is analyzed by means of the corner marking method， the high resolution feature distribution value of product external packaging modeling vision is calculated， and the 3D feature reconstruction of product external packaging modeling vision is carried out by means of the machine vision method. The contour detection and feature point calibration of product external packaging modeling visual information are carried out by combining with the wavelet multi?scale decomposition method， and the corner detection model of product external packaging modeling visual image is established. According to the results of edge contour detection and corner detection， the visual optimization design of product external packaging modeling is realized， and the visual communication ability of product external packaging modeling is improved. The simulation results show that this method has good output performance and high peak signal?to?noise ratio for the product external packaging modeling visual design， which improves the visual expression ability of product external packaging modeling.

Keywords： product external packaging modeling; simulation design; visual communication technology; visual image sampling; 3D feature reconstruction; corner detection modeling

0? 引? 言

隨著對(duì)包裝設(shè)計(jì)的精美度和視覺傳達(dá)能力提出了更高的要求，需要結(jié)合自然元素進(jìn)行產(chǎn)品外包裝造型的優(yōu)化設(shè)計(jì)[1?2]。本文提出基于視覺傳達(dá)技術(shù)的產(chǎn)品外包裝造型仿真設(shè)計(jì)方法。首先建立產(chǎn)品外包裝造型視覺圖像的角點(diǎn)檢測(cè)模型，然后根據(jù)邊緣輪廓檢測(cè)和角點(diǎn)檢測(cè)結(jié)果，實(shí)現(xiàn)產(chǎn)品外包裝造型視覺優(yōu)化設(shè)計(jì)，提高產(chǎn)品外包裝造型的視覺傳達(dá)能力。最后進(jìn)行仿真實(shí)驗(yàn)分析，展示了本文方法在提高產(chǎn)品外包裝造型視覺傳達(dá)能力方面的優(yōu)越性能。

1? 產(chǎn)品外包裝造型視覺圖像分析

采用圖像處理方法進(jìn)行產(chǎn)品外包裝造型視覺圖像采樣，提取產(chǎn)品外包裝造型視覺圖像的邊緣輪廓特征量[3]，構(gòu)建三維視覺重建模型，進(jìn)行三維特征分析和稀疏表面特征重建。結(jié)合高分辨的特征重構(gòu)方法，進(jìn)行產(chǎn)品外包裝造型視覺信息采樣，建立產(chǎn)品外包裝造型視覺的分布式特征重組模型[4]，建立外包裝造型視覺圖像的灰度直方圖，根據(jù)直方圖中的像素特征點(diǎn)分布進(jìn)行視覺信息重構(gòu)，得到產(chǎn)品外包裝造型視覺圖像的像素重構(gòu)模型如圖1所示。

在Markov鏈模型中得到產(chǎn)品外包裝造型視覺圖像的灰度不變矩[5]，構(gòu)建產(chǎn)品外包裝造型視覺圖像的灰度特征分布矩陣為：

對(duì)產(chǎn)品外包裝造型視覺圖像進(jìn)行多尺度邊緣處理，提取產(chǎn)品外包裝造型視覺圖像的局部信息熵特征量[6]，在計(jì)算機(jī)視覺傳達(dá)模型下得到產(chǎn)品外包裝造型視覺圖像的像素分布為：

式中，[eLBF1]，[eLBF2]，[eLGF1]，[eLGF2]分別表示產(chǎn)品外包裝造型視覺圖像的多分辨像素特征分布，結(jié)合產(chǎn)品外包裝造型視覺傳達(dá)分布模型[7]，得到圖像的優(yōu)化采集模型如下：

式中：[c1]和[c2]分別表示產(chǎn)品外包裝造型視覺圖像的徑向灰度和梯度幅值度。根據(jù)上述分析，提取產(chǎn)品外包裝造型視覺圖像的邊緣輪廓特征量，采用角點(diǎn)標(biāo)注方法進(jìn)行外包裝造型視覺信息分析[8]。

2? 產(chǎn)品外包裝造型設(shè)計(jì)優(yōu)化

2.1? 產(chǎn)品外包裝造型視覺高分辨特征分析

在上述采用圖像處理方法進(jìn)行產(chǎn)品外包裝造型視覺圖像采樣，提取產(chǎn)品外包裝造型視覺圖像的邊緣輪廓特征量的基礎(chǔ)上，進(jìn)行產(chǎn)品外包裝造型仿真設(shè)計(jì)，本文提出基于視覺傳達(dá)技術(shù)的產(chǎn)品外包裝造型仿真設(shè)計(jì)方法。計(jì)算產(chǎn)品外包裝造型視覺高分辨特征分布值，采用機(jī)器視覺方法進(jìn)行產(chǎn)品外包裝造型視覺三維特征重構(gòu)[9]，得到產(chǎn)品外包裝造型視覺圖像的活動(dòng)輪廓分布描述如下：

式中：[ELBF]為產(chǎn)品外包裝造型視覺分布的灰度項(xiàng);[ELGF]是邊緣模糊特征分布項(xiàng)。采用VR虛擬現(xiàn)實(shí)重構(gòu)的方法進(jìn)行視覺傳達(dá)設(shè)計(jì)[10]，其公式為：

式中：[IG]表示產(chǎn)品外包裝造型視覺分布子帶紋理特征;[fG1]和[fG2]表示區(qū)域重構(gòu)梯度模。采用小波多尺度分解方法進(jìn)行輪廓檢測(cè)和特征點(diǎn)標(biāo)定，對(duì)產(chǎn)品外包裝造型視覺圖像進(jìn)行三維稀疏表面特征重建[11]。

2.2? 產(chǎn)品外包裝造型視覺傳達(dá)優(yōu)化

建立產(chǎn)品外包裝造型視覺圖像的角點(diǎn)檢測(cè)模型，根據(jù)邊緣輪廓檢測(cè)和角點(diǎn)檢測(cè)結(jié)果[12]，得到產(chǎn)品外包裝造型視覺圖像重構(gòu)的特征分布函數(shù)：

建立產(chǎn)品外包裝造型視覺圖像的角點(diǎn)檢測(cè)模型，得到產(chǎn)品外包裝造型視覺傳達(dá)因子為[f1，f2，?f1，?f2]，結(jié)合自適應(yīng)尋優(yōu)的方法[13?16]，得到產(chǎn)品外包裝造型視覺重建輸出為：

根據(jù)上述分析，實(shí)現(xiàn)流程如圖2所示。

3? 仿真實(shí)驗(yàn)分析

對(duì)產(chǎn)品外包裝造型視覺仿真采用Matlab設(shè)計(jì)，在VC++中使用Matlab的m文件進(jìn)行交叉編譯，對(duì)產(chǎn)品外包裝造型視覺圖像采集的像素值為600[×]800，產(chǎn)品外包裝造型圖像的訓(xùn)練樣本集為600，圖像灰度平均值[Δ=2.5] piex。得到產(chǎn)品外包裝造型的原始設(shè)計(jì)效果如圖3所示。

采用本文方法進(jìn)行優(yōu)化設(shè)計(jì)，得到優(yōu)化設(shè)計(jì)結(jié)果如圖4所示。分析圖4得知，采用本文方法能夠提高產(chǎn)品外包裝造型的視覺傳達(dá)效果。

測(cè)試輸出的峰值信噪比，得到對(duì)比結(jié)果見表1。

4? 結(jié)? 語

本文提出基于視覺傳達(dá)技術(shù)的產(chǎn)品外包裝造型仿真設(shè)計(jì)方法，在進(jìn)行產(chǎn)品外包裝造型視覺效果優(yōu)化設(shè)計(jì)時(shí)，結(jié)合生態(tài)自然元素和視覺表達(dá)性進(jìn)行產(chǎn)品外包裝設(shè)計(jì)，采用圖像的特征檢測(cè)和三維輪廓重構(gòu)分析方法，實(shí)現(xiàn)對(duì)產(chǎn)品外包裝造型視覺的特征分析，采用角點(diǎn)標(biāo)注的方法進(jìn)行產(chǎn)品外包裝造型視覺信息分析，提取產(chǎn)品外包裝造型視覺圖像的局部信息熵特征量。在計(jì)算機(jī)視覺傳達(dá)模型下得到產(chǎn)品外包裝造型視覺圖像的像素分布，實(shí)現(xiàn)產(chǎn)品外包裝造型視覺優(yōu)化設(shè)計(jì)，提高產(chǎn)品外包裝造型的視覺傳達(dá)能力。分析得知，利用本文方法進(jìn)行產(chǎn)品外包裝造型視覺表達(dá)能力較好，峰值信噪比較高。

參考文獻(xiàn)

[1] DING Jia， LI Aoxue， HU Zhiqiang， et al. Accurate pulmonary nodule detection in computed tomography images using deep convolutional neural networks [C]// Proceedings of 2017 International Conference on Medical Computing and Computer?Assisted Intervention. Berlin： Springer， 2017： 559?567.

[2] KAMNITSAS K， LEDIG C， NEWCOMBE V F， et al. Efficient multi?scale 3D CNN with fully connected CRF for accurate brain lesion segmentation [J]. Medical image analysis， 2016， 36： 61?78.

[3] CHEN Hao， DOU Qi， YU Lequan， et al. VoxResNet： deep voxelwise residual networks for brain segmentation from 3D MR images [J]. Neuroimage， 2018， 170： 446?455.

[4] RONNEBERGER O， FISCHER P， BROX T. U?Net： convolutional networks for biomedical image segmentation [C]// Proceedings of 2015 International Conference on Medical Computing and Computer?Assisted Intervention. Berlin： Springer， 2015： 234?241.