徐新星

(安徽財(cái)貿(mào)職業(yè)學(xué)院云桂信息學(xué)院，安徽 合肥 230000)

0 引 言

隨著虛擬現(xiàn)實(shí)仿真技術(shù)和動(dòng)畫(huà)圖像的優(yōu)化處理技術(shù)的發(fā)展，對(duì)三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成技術(shù)提出了更高的要求，研究三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成方法，在動(dòng)畫(huà)的三維視景仿真和動(dòng)態(tài)視景圖像重建中具有重要意義[1]。通過(guò)建立三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成模型，通過(guò)圖像信息融合和增強(qiáng)處理的方法，實(shí)現(xiàn)三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成和優(yōu)化控制，提高三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成能力，研究三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成方法，在三維動(dòng)畫(huà)場(chǎng)景重建和視景仿真中具有重要意義[2]。

傳統(tǒng)方法中，對(duì)三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成方法主要有顯著圖特征分析方法、視景重建方法、模糊特征檢測(cè)方法[3]，構(gòu)建三維動(dòng)畫(huà)場(chǎng)景的采集模型，提取三維動(dòng)畫(huà)場(chǎng)景三維圖譜特征量，建立三維動(dòng)畫(huà)場(chǎng)景的模糊相關(guān)性特征分布結(jié)構(gòu)模型，采用特征信息融合的方法，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成，文獻(xiàn)[4]中提出基于譜分析的三維動(dòng)畫(huà)場(chǎng)景虛擬現(xiàn)實(shí)自動(dòng)生成方法，構(gòu)建三維動(dòng)畫(huà)場(chǎng)景采樣和信息融合模型，通過(guò)模糊度信息融合，實(shí)現(xiàn)三維動(dòng)畫(huà)場(chǎng)景虛擬現(xiàn)實(shí)重組，提高動(dòng)畫(huà)場(chǎng)景重構(gòu)能力，但該方法進(jìn)行三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成的模糊度較大，特征識(shí)別能力不好。文獻(xiàn)[5]中提出基于三維可視化特征分解的三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成方法，通過(guò)多維模板匹配的方法進(jìn)行三維動(dòng)畫(huà)場(chǎng)景的多維重建，結(jié)合三維可視化特征融合，提高動(dòng)畫(huà)場(chǎng)景的三維重構(gòu)能力，但該方法的計(jì)算開(kāi)銷較大，三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成的實(shí)時(shí)性不好。針對(duì)上述問(wèn)題，提出基于虛擬現(xiàn)實(shí)技術(shù)的三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成方法。

1 三維動(dòng)畫(huà)場(chǎng)景圖像生成和圖像處理

1.1 三維動(dòng)畫(huà)場(chǎng)景圖像生成

為了實(shí)現(xiàn)基于虛擬現(xiàn)實(shí)技術(shù)的三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成，構(gòu)建三維動(dòng)畫(huà)場(chǎng)景分布的規(guī)則化參數(shù)模型，采用交替分析和自適應(yīng)迭代的方法，得到三維動(dòng)畫(huà)場(chǎng)景的模板特征匹配集，通過(guò)空間模板特征匹配的方法[6]，得到三維動(dòng)畫(huà)場(chǎng)景的融合度特征分量x1，x2，x3和x4表示為：

(1)

(2)

(3)

其中，w為像素點(diǎn)坐標(biāo)，d為像素點(diǎn)像素值，h為像素點(diǎn)透射距離，Z(i)為三維動(dòng)畫(huà)場(chǎng)景的均方根分布權(quán)系數(shù)，景物越遠(yuǎn)，h越大，求得三維動(dòng)畫(huà)場(chǎng)景的分塊融合誤差，通過(guò)光滑性約束沖過(guò)，求得三維動(dòng)畫(huà)場(chǎng)景的邊緣梯度信息[7]，通過(guò)虛擬重構(gòu)，得到概率密度特征分布函數(shù)H(r)描述為：

(4)

其中，r為密度值，結(jié)合圖像的透射率分析，通過(guò)像素結(jié)構(gòu)重組，得到三維動(dòng)畫(huà)場(chǎng)景圖像成像輸出表示為：

G1=(1+μY)(1+λY)G

(5)

其中，G1和G分別是三維動(dòng)畫(huà)場(chǎng)景的分布向量集和空間特征匹配集，μ和λ分別是影響三維動(dòng)畫(huà)場(chǎng)景分布向量和空間特征匹配集常數(shù)，通過(guò)三維場(chǎng)景動(dòng)畫(huà)生成重構(gòu)，進(jìn)行光滑性約束和收斂性控制。

1.2 三維虛擬重構(gòu)

采用交替分析和自適應(yīng)迭代的方法，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景的虛擬特征重構(gòu)[8]，通過(guò)模糊度檢測(cè)，求得三維動(dòng)畫(huà)場(chǎng)景的透射度函數(shù)V，表示為：

V=e1e2-ce12

(6)

其中，c為動(dòng)畫(huà)像透射率，對(duì)動(dòng)畫(huà)像的透射率進(jìn)行參數(shù)融合，求得白色亮斑參數(shù)ω，結(jié)合模板匹配和區(qū)域重組，建立三維動(dòng)畫(huà)場(chǎng)景的源圖像融合模型，得到融合誤差函數(shù)l1：

l1=ω-ωr

(7)

在源圖像轉(zhuǎn)移至融合的過(guò)程中，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景的分塊匹配和自適應(yīng)融合，得到三維動(dòng)畫(huà)場(chǎng)景的分組特征匹配模型，得到分組特征匹配參數(shù)為：

?r=m(cos?+Vω)

(8)

其中，當(dāng)?=±90°時(shí)，圖像包含信息越多，采用概率密度函數(shù)估計(jì)的方法，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景生成過(guò)程中的信息重構(gòu)，得到收斂誤差滿足：

(9)

(10)

通過(guò)灰色相似特征分布式解析方法，建立三維動(dòng)畫(huà)場(chǎng)景的聯(lián)合概率分布模型，得到邊緣細(xì)節(jié)信息為：

(11)

(12)

根據(jù)邊緣信息分布進(jìn)行三維虛擬重構(gòu)，提高三維動(dòng)畫(huà)場(chǎng)景圖像的自動(dòng)生成能力。

2 三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成優(yōu)化

2.1 三維動(dòng)畫(huà)場(chǎng)景信息融合

通過(guò)圖像增強(qiáng)方法進(jìn)行三維動(dòng)畫(huà)場(chǎng)景的信息融合的增強(qiáng)處理，通過(guò)透射率估計(jì)方法進(jìn)行三維動(dòng)畫(huà)的場(chǎng)景融合，三維動(dòng)畫(huà)場(chǎng)景的虛擬視覺(jué)重建輸出模型I為：

(13)

其中，n為三維動(dòng)畫(huà)場(chǎng)景像素點(diǎn)坐標(biāo)，s為三維動(dòng)畫(huà)場(chǎng)景坐標(biāo)變化量，在一個(gè)7×7像素特征匹配窗口內(nèi)，通過(guò)分析模糊噪聲分布區(qū)域，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景的點(diǎn)匹配，得到點(diǎn)分布模型A為：

(14)

上式中U為融合圖像與兩幅源圖像的特征差異值，計(jì)算三維動(dòng)畫(huà)場(chǎng)景的點(diǎn)跟蹤模型，得到三維動(dòng)畫(huà)場(chǎng)景的相似度特征量D(y1,y2)表示如下：

D(y1,y2)=ecosθ(y1,y2)

(15)

(16)

(17)

其中δ和ε分別表示三維動(dòng)畫(huà)場(chǎng)景圖像信息融合的相似度系數(shù)和模糊度系數(shù)，根據(jù)模糊信息融合結(jié)果，進(jìn)行動(dòng)畫(huà)場(chǎng)景的自動(dòng)生成重組。

2.2 虛擬現(xiàn)實(shí)重構(gòu)

在虛擬現(xiàn)實(shí)仿真場(chǎng)景下進(jìn)行梯度融合的方法，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景的歸一化的低照度圖像融合，得到三維動(dòng)畫(huà)場(chǎng)景的歸一化概率分布函數(shù)：

(18)

其中，f(x)為平均梯度系數(shù)，通過(guò)分析動(dòng)畫(huà)場(chǎng)景圖像的梯度變化特征，得到像素灰度值為：

Ψ(ω)=ln[Φ(ω)]

(19)

在虛影模糊圖像中，結(jié)合邊緣強(qiáng)度估計(jì)的方法，得到三維動(dòng)畫(huà)場(chǎng)景的邊緣強(qiáng)度特征分布為：

(20)

(21)

在連通域中，得到三維動(dòng)畫(huà)場(chǎng)景的連通分量集合為：

(22)

為了提高復(fù)雜圖像的適用性，通過(guò)最小值構(gòu)成圖像的邊緣像素區(qū)域特征解，得到三維動(dòng)畫(huà)場(chǎng)景的相似度特征分布函數(shù)為：

M=D-Φ(ω)

(23)

在連通分量的集合中，通過(guò)分析背景區(qū)域的暗原色，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景的歸一化的低照度圖像融合，通過(guò)圖像的相似度特征比較方法，在三維動(dòng)畫(huà)場(chǎng)景生成過(guò)程中進(jìn)行支持向量機(jī)學(xué)習(xí)，得到學(xué)習(xí)函數(shù)：

Y(ejω)=ejΦ(ω)

(24)

結(jié)合物體的標(biāo)記符分析，實(shí)現(xiàn)基于虛擬現(xiàn)實(shí)的三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成與重構(gòu)。

3 仿真實(shí)驗(yàn)與結(jié)果分析

設(shè)定三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成仿真中的像素灰度值為0.24，動(dòng)畫(huà)場(chǎng)景圖像的邊緣模糊度系數(shù)為0.26，均值濾波系數(shù)為0.54，亮度和邊緣感知區(qū)域的柔和度為1.86，根據(jù)上述參數(shù)設(shè)定，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成，得到三維動(dòng)畫(huà)場(chǎng)景的原始圖像如圖1所示。以圖1的圖像為研究對(duì)象，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景的虛擬特征重構(gòu)，通過(guò)圖像增強(qiáng)方法進(jìn)行三維動(dòng)畫(huà)場(chǎng)景的信息融合的增強(qiáng)處理，得到圖像融合結(jié)果如圖2所示。

圖1 三維動(dòng)畫(huà)場(chǎng)景的原始圖像

圖2 圖像融合結(jié)果

分析圖2得知，通過(guò)對(duì)三維動(dòng)畫(huà)場(chǎng)景圖像融合，提高了三維動(dòng)畫(huà)場(chǎng)景的自動(dòng)生成能力，通過(guò)圖像的相似度特征比較方法，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景生成，得到優(yōu)化生成結(jié)果如圖3所示。

圖3 場(chǎng)景虛擬自動(dòng)生成結(jié)果

分析圖3得知，本方法有效實(shí)現(xiàn)了三維動(dòng)畫(huà)場(chǎng)景的自動(dòng)生成，提高三維虛擬重構(gòu)能力，測(cè)試輸出誤差，得到結(jié)果見(jiàn)表1，分析表1得知，本方法進(jìn)行三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成，輸出誤差較低。

表1 輸出誤差測(cè)試

4 結(jié) 語(yǔ)

建立三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成模型，通過(guò)圖像信息融合和增強(qiáng)處理的方法，實(shí)現(xiàn)三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成和優(yōu)化控制，提出基于虛擬現(xiàn)實(shí)技術(shù)的三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成方法，構(gòu)建三維動(dòng)畫(huà)場(chǎng)景分布的規(guī)則化參數(shù)模型。通過(guò)模糊度檢測(cè)，求得三維動(dòng)畫(huà)場(chǎng)景的透射度，在源圖像轉(zhuǎn)移至融合的過(guò)程中，進(jìn)行三維動(dòng)畫(huà)場(chǎng)景的分塊匹配和自適應(yīng)融合，結(jié)合優(yōu)化的學(xué)習(xí)算法，實(shí)現(xiàn)三維動(dòng)畫(huà)場(chǎng)景的虛擬重建和自動(dòng)生成。研究得知，本方法能有效實(shí)現(xiàn)三維動(dòng)畫(huà)場(chǎng)景自動(dòng)生成，提高了虛擬重構(gòu)能力。