吳永林

(六安職業(yè)技術(shù)學院 信息與電子工程學院，安徽 六安 237158)

隨著視景仿真技術(shù)的發(fā)展，利用虛擬視景仿真技術(shù)，進行虛擬實驗室場景重建，可提高智能虛擬實驗室的智慧化建設(shè)能力[1-2].因此，相關(guān)的虛擬實驗室場景三維重建方法受到人們的極大關(guān)注[3].

文獻[4]提出基于稀疏采樣與級聯(lián)字典的虛擬實驗室場景重建方法，結(jié)合RGB特征分解方法，進行虛擬實驗室場景的重構(gòu)，但該方法進行虛擬實驗室場景三維重建的特征辨識度不高.文獻[5]提出基于引導(dǎo)濾波圖像分層的虛擬實驗室場景三維重建方法，建立虛擬實驗室場景RGB-D圖像特征提取和細節(jié)辨識模型，實現(xiàn)虛擬實驗室場景三維重建，但該方法進行虛擬實驗室場景重構(gòu)的特征分辨能力不佳.文獻[6]提出基于加速引導(dǎo)濾波的虛擬實驗室重建方法，結(jié)合特征點匹配方法，實現(xiàn)虛擬實驗室重建，但該方法進行虛擬實驗室重建的計算內(nèi)存開銷較大.

針對上述問題，本文提出基于大數(shù)據(jù)和RGB-D圖像的虛擬實驗室場景三維重建方法，并通過仿真測試分析，展示了本文方法在提高虛擬實驗室重建能力方面的優(yōu)越性.

1 虛擬實驗室場景三維圖像的內(nèi)部特征提取與融合

1.1 基于大數(shù)據(jù)的虛擬實驗室場景三維圖像內(nèi)部特征提取

為了實現(xiàn)基于RGB-D圖像的虛擬實驗室場景的三維重建，需要構(gòu)建虛擬實驗室場景三維圖像采集和信息融合模型.采用大數(shù)據(jù)算法建立虛擬實驗室場景RGB-D圖像的紋理視覺信息采樣模型[7].在運用大數(shù)據(jù)算法建立采集模型的過程中，需要獲得虛擬實驗室場景RGB-D圖像紋理視覺像素點(i,j)的灰度信息

(1)

(1)式中，R(i,j)、G(i,j)、B(i,j)分別表示RGB色彩分量.

建立虛擬實驗室場景RGB-D圖像的模板信息特征檢測模型，通過模板信息化重建，進行虛擬實驗室場景的梯度信息融合和特征分解，構(gòu)建虛擬實驗室場景下的RGB-D圖像局部融合模型，得到局部信息融合度特征分量[8].定義虛擬實驗室場景RGB-D特征點匹配集為K(i,j)，以K(i,j)為中心，建立虛擬實驗室場景下的RGB-D空間匹配度函數(shù)

(2)

(2)式中，P×Q表示圖像S的大小尺寸.

如果P

(3)

(3)式中，L(i+1,j)、L(i-1,j)分別表示像素點(i,j)前后像素點的梯度.構(gòu)建虛擬實驗室場景RGB -D圖像的采集模型，通過虛擬實驗室場景RGB分解，獲得虛擬實驗室場景RGB-D圖像的空間視覺分布集為

(4)

(4)式中，xi、xj分別表示空間模糊因子.采用大數(shù)據(jù)方法分析虛擬實驗室場景RGB-D圖像的內(nèi)部結(jié)構(gòu)特征量，構(gòu)造虛擬實驗室場景RGB超像素信息融合模型，提高三維場景重構(gòu)能力[9].

空間視覺分布集引入形態(tài)學算法，構(gòu)建實驗室場景三維圖像的內(nèi)部特征提取模型

(5)

(5)式中，ai表示權(quán)系數(shù)，Dm(x,y)表示內(nèi)部特征提取函數(shù).

通過上述計算，完成實驗室場景三維圖像的內(nèi)部特征提取，接下來進行特征信息融合處理.

1.2 邊緣輪廓檢測和圖像特征信息融合

采用信息融合和圖像重建算法進行虛擬實驗室場景的紋理特征點增強處理，建立虛擬實驗室場景RGB-D圖像的多分辨融合模型[10].采用分塊特征匹配技術(shù)進行虛擬實驗室場景RGB特征分解，結(jié)合3D信息融合，建立虛擬場景圖像的增強模型.通過邊緣輪廓檢測的方法[11]，得到虛擬實驗室場景RGB超像素信息增強模型，以邊緣像素集作為中心函數(shù)，得到虛擬實驗室場景的均衡度

(6)

(6)式中，n表示圖像中像素的總和，nk表示所在灰度級的像素數(shù)，V表示圖像中可能存在的灰度級數(shù).

建立虛擬實驗室場景RGB-D圖像畫質(zhì)低分辨與高分辨之間的過渡模型，通過峰值信噪比檢測方法進行灰度信息重組和虛擬實驗室場景RGB特征分割，以此得到虛擬實驗室場景RGB-D圖像特征細節(jié)點為K(x0,y0)，以K(x0,y0)為中心，得到虛擬實驗室場景稀疏度函數(shù)為

(7)

(7)式中，αi表示投影系數(shù).

通過提取虛擬實驗室場景RGB-D圖像的模糊度特征，計算任意給定的字典原子

(8)

(8)式中，gj表示圖像信號長度，δ表示加性噪聲.

通過多尺度融合和特征分解，可得到虛擬實驗室場景高分辨率殘差高頻圖像

(9)

(9)式中，f(L)表示特征梯度函數(shù).

建立虛擬實驗室場景高分辨率殘差高頻圖像擬合模型，提取虛擬實驗室場景RGB-D細節(jié)特征分量，根據(jù)虛擬實驗室場景RGB-D圖像的分塊區(qū)域特征結(jié)果[12]，得到虛擬實驗室場景特征線性映射函數(shù)為

(10)

(11)

(11)式中，βK表示最小稠密解.通過RGB-D圖像分解方法，建立虛擬實驗室場景RGB-D圖像虛擬現(xiàn)實三維重構(gòu)模型，采用三維多視點跟蹤識別方法進行邊緣輪廓檢測和信息融合[13].

2 虛擬實驗室場景三維重建

2.1 RGB-D圖像的分解

本文提出基于大數(shù)據(jù)和RGB-D圖像的虛擬實驗室場景三維重建方法，建立虛擬實驗室場景三維圖像采集模型，進行虛擬實驗室場景RGB-D圖像的虛擬現(xiàn)實三維重構(gòu)，對提取的虛擬實驗室場景信息采用卷積分析方法進行RGB特征定位，完成虛擬實驗室場景RGB特征分解[14]，得到虛擬實驗室場景的模板匹配函數(shù)

(12)

采用外部訓練集融合方法，進行虛擬實驗室場景RGB-D圖像雙向三次插值放大，得到虛擬實驗室場景RGB-D圖像的多模態(tài)參量為

(13)

(13)式中，l=1,2,…,R，并且k≠l.建立虛擬實驗室場景RGB-D圖像虛擬現(xiàn)實三維重構(gòu)模型，將低分辨率圖像進行三維重構(gòu)，得到虛擬實驗室場景的相似度為

(14)

(14)式中，CL表示實驗室場景模糊系數(shù).

采用濾波器進行逐步濾波處理，進行虛擬實驗室場景RGB-D圖像虛擬現(xiàn)實重構(gòu).使用主成分分析的方法，得到虛擬實驗室場景的三次插值放大輸出為

Ω={x∈s|gj(x)≤0,j=1,2,3,…,l}，

(15)

基于重疊塊之間特征匹配的方法，進行虛擬實驗室場景RGB-D圖像的優(yōu)化分割和信息特征分解.

2.2 虛擬實驗室場景RGB-D圖像三維重構(gòu)

采用模糊信息融合檢測方法，對虛擬實驗室場景進行降維處理，得到RGB-D圖像重構(gòu)的殘差分布函數(shù)為

(16)

(17)

(17)式中，Eint(vi)與Eext(vi)分別表示模型修正參數(shù)與空間向量約束參數(shù).

采用高分辨率殘差分解的方法，計算原圖像灰度值，得到虛擬實驗室場景三維分布矩陣表示為

(18)

對虛擬實驗室場景三維分布矩陣對圖像重組模型進行修正，可以完成虛擬實驗室場景的三維重建.

虛擬實驗室三維場景重建流程如圖1所示.

圖1 虛擬實驗室三維場景重建流程

虛擬實驗室三維場景重建步驟如下.

步驟1 運用大數(shù)據(jù)算法建立采集模型時，根據(jù)RGB色彩分量計算虛擬實驗室場景RGB-D圖像紋理視覺像素點的灰度信息；

步驟2 構(gòu)建虛擬實驗室場景下的RGB-D空間匹配度函數(shù)，得到實驗室場景RGB-D圖像的空間視覺分布集，以此為基礎(chǔ)構(gòu)建內(nèi)部特征提取模型，提取實驗室場景三維圖像的內(nèi)部特征；

步驟3 計算虛擬實驗室場景的均衡度，并構(gòu)建虛擬實驗室場景稀疏度函數(shù).如果稀疏度不能滿足計算要求，則重新計算均衡度，直到滿足稀疏度計算要求；

步驟4 通過多尺度融合和特征分解，得到虛擬實驗室場景高分辨率殘差高頻圖像，進行實驗室場景模板匹配.對虛擬實驗室場景高分辨率殘差高頻圖像進行重組，并采用場景三維分布矩陣對重組結(jié)果進行修正，得到最終的重建結(jié)果.

3 重建效果驗證

為了驗證本文方法在實現(xiàn)虛擬實驗室場景三維重建的性能，進行模擬實驗.虛擬實驗室場景三維重建的視景仿真平臺為Visual C++，采用3DStudio MAX、SoftImage進行視景仿真.實驗數(shù)據(jù)分別來自ImageNet與Corel5k數(shù)據(jù)庫.虛擬實驗室場景RGB特征分解的尺度為12，相鄰幀匹配系數(shù)為0.24，原圖像的大小為24×24，錨點個數(shù)K=200.

根據(jù)上述參數(shù)設(shè)定，分別從上述數(shù)據(jù)庫中隨機選取100張實驗室場景圖像進行重建.由于篇幅限制，從上述圖像中隨機選取一張實驗室圖像進行研究結(jié)果展示.待重建圖像如2所示.

圖2 待重建圖像圖3 RGB-D特征分解結(jié)果

以圖2的圖像為研究對象，進行虛擬實驗室場景重構(gòu)和RGB -D分解，得到特征分解結(jié)果如圖3所示.

分析圖3得知，本文方法進行虛擬實驗室場景重構(gòu)，特征分解的細節(jié)辨識度較高.

利用四種方法測試虛擬實驗室場景重構(gòu)效果的對比，得到對比結(jié)果如圖4所示.

(a)本文方法的重建效果(b)文獻[4]方法的重建效果(c)文獻[5]方法的重建效果(d)文獻[6]方法的重建效果

從圖4中可以看出，本文方法進行實驗室三維虛擬場景重建效果較好，重建的場景圖像清晰且無色差，能夠清楚地展現(xiàn)實驗室的相關(guān)配置.而三種文獻中的方法的重建結(jié)果存在色差以及嚴重的模糊問題，重建的實驗室場景效果較差.因此可以看出運用本文方法進行實驗室三維虛擬場景重建效果較好，能夠有效提高圖像的三維重建和視景仿真能力.

測試不同方法進行虛擬實驗室場景重構(gòu)的輸出信噪比，分別得到對比結(jié)果見表1.

表1 虛擬實驗室場景重構(gòu)的峰值信噪比對比 (單位：dB)

分析表1得知，在兩種數(shù)據(jù)集合共計200次的迭代運算過程中，本文方法重構(gòu)后的峰值信噪比始終高于三種傳統(tǒng)方法，說明本文方法進行虛擬實驗室場景重構(gòu)時提高了輸出峰值信噪比，虛擬實驗室場景的三維重建質(zhì)量較高.

4 結(jié)語

本文提出基于大數(shù)據(jù)和RGB-D圖像的虛擬實驗室場景三維重建方法.采用大數(shù)據(jù)算法，精準地采集虛擬實驗室場景圖像，并進行圖像的自適應(yīng)特征重組，得到信息增強技術(shù)下虛擬實驗室場景RGB-D圖像的特征匹配度.采用分塊特征匹配技術(shù)進行虛擬實驗室場景RGB特征分解，結(jié)合3D信息融合，建立虛擬場景圖像的增強模型.基于重疊塊之間特征匹配的方法，進行虛擬實驗室場景RGB-D圖像的優(yōu)化分割和信息特征分解.結(jié)合虛擬實驗室場景RGB-D圖像的信息融合結(jié)果，進行虛擬實驗室場景的三維重建.對實驗結(jié)果分析得知，本文方法進行虛擬實驗室場景的三維重建的輸出質(zhì)量較高，重建效果較好.