于翠萍，趙志剛

(1.遼東學院，遼寧 丹東 118001；2.齊魯工業(yè)大學(山東省科學院)，山東 濟南 250014)

1 引言

虛擬現實技術最早起源于美國軍事戰(zhàn)場的模型方法，是可以使體驗者能夠在虛擬世界獲得真實感知的一種計算機方法。其主要工作原理是通過計算機操作方法將虛擬的環(huán)境現實化。首先通過計算機構建現實環(huán)境中的三維立體模型，其次利用編碼將構建的立體模型轉化成和現實中一樣可以感知的實物，以此構建了一種沉浸式交互環(huán)境，使體驗者在視覺、聽覺和觸覺等方面得到感知。

目前，虛擬現實技術的發(fā)展越來越成熟，在現實生活中的應用也越來越廣泛?；趫D像虛擬重建方法也成了研究熱點。針對三維圖像虛擬重建，胡正乙[1]等人提出一種基于RGB-D的室內場景實時三維重建算法，首先利用RGB-D相機收集RGB圖像，對研究圖像做哈里斯角點檢測，接著對檢測到的特征點進行處理，從而生成64維特征描述子。然后將特征點集合信息和局部的近鄰特征點信息作為約束條件，初步將正確的匹配點對篩選出來，再經過去除外點處理后，得到相機的姿態(tài)估計。最后利用RGB-D的深度圖像生成三維點云，實現室內場景的三維重建。但是該方法的重建時間較長，穩(wěn)定性較差。溫佳[2]提出了更適用于干涉高光譜圖像的基于自適應閾值的正交匹配追蹤算法(ATROMP)，首先采用分塊處理，然后挑選出干涉條紋塊，根據水平全變分值提取出圖像中的干涉條紋，進行自適應采樣，采用一個自適應閾值來代替正則正交匹配追蹤(ROMP)算法中的二次選取，采用自適應閾值不僅可以保障每次選取的原子的相關性足夠高，避免了后續(xù)匹配度更高原子的遺漏，稀疏重建的精度可以得到明顯的提高。

上述方法存在時效性差、精準度低問題，無法在提升運算速度基礎上提高重建質量，因此所提提出了一種基于分水嶺分割的超光譜圖像虛擬重建方法，分水嶺算法對微弱邊緣具有良好的響應，圖像中的噪聲、物體表面細微的灰度變化，都會產生過度分割的現象。為解決超光譜圖像數據量大導致傳輸和存儲困難的問題，將圖像進行壓縮處理，同時為提高壓縮后圖像的成像質量和視覺清晰度，將壓縮所得的圖像運用分水嶺變化法進行圖像分割。最后，以視覺傳達原理為基礎，總結出更適合所提方法的三大視覺傳達原則，結合空間指示函數完成超光譜圖像的虛擬重建。

2 超光譜圖像虛擬重建

2.1 超光譜虛擬重建框架

將VisualC++作為方法設計平臺，通過對超光譜圖像進行分析，給出超光譜圖像虛擬重建構架如圖1所示。

圖1 虛擬重建框架

在超光譜圖像[3]虛擬重建方法中，所提以FSL作為總線接口來完成設備之間的信息傳輸。FSL總線的運行主要利用數據讀寫來完成的，經寄存器和FIFO之間的循環(huán)讀寫過程來實現通信傳輸，該接口的主要特點為：

1)點對點的單向通信。

2)非共享的通信機制。

3)支持控制位與數據分離的通信。

4)基于FIFO的通信模式。

5)數據寬度可配置。

6)擁有超高速通信性能。

經實驗表明，數據在寄存器和儲存器之間的信息傳輸需要1個周期即可完成，其主設備數據寫入接口時序為圖2。

圖2 FSL寫入操作接口時序圖

由圖2可以得到，數據在Write1和Write2區(qū)域中是寫入的過程。進入Write3時，數據在存儲器中已經飽和，寫入的過程也隨之停止，當FSL再一次生成數據時，信號會逐漸減弱，使主設備重新啟用，并且再次進行數據寫入。

數據讀出是將輸入FIFO的信息傳輸至寄存器完成的，需要2個周期才能夠完成。得出FSL進行數據讀出時，操作接口的時序圖如圖3。

圖3 FSL讀出操作接口時序圖

FSL-S=Read為FSL從設備中所讀出的操作信號。從圖3可以得出，在Read1和Read2區(qū)域內是數據讀出的過程，當存儲器(FIFO)中沒有數據信息時，數據的讀出行為就會隨之停止，當儲存器再次處于飽和狀態(tài)時，FSL也會再次對數據進行讀出。

2.2 超光譜圖像預處理

2.2.1 超光譜圖像壓縮

超光譜圖像一種三維立體圖像，因其數據量巨大，導致圖像傳輸和儲存非常困難。因此，需要對超光譜圖像進行壓縮[4]來解決以上問題。

當圖像的相鄰像素之間相關性很強時，就可以利用前面的像素值來預測當前的像素值，將實際值和預測值相減就可以得到預測誤差。對超光譜圖像序列進行普間預測，首先，傳輸未經壓縮的超光譜圖像序列1000，當做參考幀。其次，輸入圖像1001，參考序列1000進行普間預測，得到波段殘差圖像；最后將處理后的殘差圖像通過信道傳輸，接收到的殘差圖像參考前圖像，經過逆預測后得到恢復圖像1001。接下來按照上述步驟將前一幀作為后一幀的參考幀，直到一組全部輸完。最后使得處理后的圖像主要剩下干涉條紋，加快了數據傳輸的過程。

在實現的操作中，為減少圖像儲存空間，采用整數小波變換(IWT)的方法對圖像進行處理。第二代小波主要的理論依據是在提升過程中不需要依賴于FOURIER變換，也不需要通過頻譜分析工具處理，可以在時域中完成對雙正交小波構建，同時在不影響小波雙正交基本特征的基礎上，運用提升和對偶提升[5]方法來提高小波以及其對偶性，滿足現實應用需要。小波變化可以通過以下步驟實現。

設初始信號為sj，其中j∈Z+，利用Lazy小波變換將信號分為偶數序列[6]和奇數序列兩組，如下式

(1)

(2)

在此基礎上，構造預測因子對小波進行對偶提升。利用偶數序列對奇數序列進行預測，得到的預測誤差如下

(3)

假設作M次對偶提升和基本提升可得：

(4)

(5)

綜上所述，用以下方案對圖像進行壓縮，將超光譜圖像序列的前一幀作為后一幀的參考圖像，從而進行普間預測，以消除普間的相關性。接著對處理后所獲得的殘差圖像進行整數小波變換處理，運用二值自適應算術編碼對小波系數進行去除空間相關性操作。得到壓縮框架圖如圖4。

圖4 圖像壓縮方案框架

運用二值自適應算術編碼對變換后的系數進行壓縮，與其它編碼相比較，該方法能自動控制進位擴散并且易于硬件實現。

2.2.2 超光譜圖像分割

圖像分割在圖像處理中起著至關重要的位置，也對計算機視覺領域中低層次視覺效果影響很大。因此，在超光譜圖像虛擬重建方法中，能有效的對圖像進行分割處理也尤為重要?，F階段關于圖像分割方法有很多，綜合考慮各方面因素，所提最終選用分水嶺變換法，傳統(tǒng)的分水嶺變換分割法[7]是以浸沒模擬為思路的，而所提采用其另一種“降水”體現方式。其一維模擬過程如圖5所示。

圖5 分水嶺變換模擬過程圖

該方法是一種能夠保持圖像較高灰度性能的分割方法。其實質是在圖像高程表面中去尋找每個像元最陡的下游路徑。實現方式主要包括以下兩個步驟：

1)淹沒階段：選擇固定一水平面的閾值，對圖像進行“淹沒”，得到部分初始洼地，減少了噪聲等因素產生的高頻率信息；

2)降水階段：針對沒有歸入上文初始洼地的所有像元，模擬出水滴從山坡滾落洼地的運行軌跡，將軌跡下每個像元都視為同一類。處理過所有像元后，即完成分割。

對圖像分割之后，獲取亞基元。在亞基元基礎上，采用合并代價準則函數對斑塊進行合并。該函數是由合并圖斑[8]的光譜異質性參量和形狀異質性參量構成的，其公式如下

f=w×hcolor+(1-w)×hshape

(6)

式中，w為權重，其區(qū)間為[0，1]。

光譜異質性是通過將合并后的父圖斑標準差與合并前兩個子圖斑差之和相減得到的，按面積加權后可得

(7)

式中，c為波段總數，wc為用戶分配權重。形狀異質性又分為緊致度異質性和光滑度異質性：

緊致度差異計算公式為

(8)

光滑度差異計算公式為

(9)

式(8)、(9)中，l表示為對象的實際周長，n表示為像元個數。b表示為外接矩形的周長。

在圖像合并的過程中，在重復計算父圖斑標準差時，計算效率較低，為此采用合并后標本標準差的快速計算方式如下

+n1n2(m1-m2)2/nMerge·(nMerge-1)

(10)

確定初始小圖斑和合并代價函數后，采用“尺度參數[9]”控制合并過程，在合并過程中所有圖斑待合并代價都大于尺度參數的平方，則合并過程結束，從而完成整個圖像分割流程，反之，重新計算圖斑并使用圖5方法再次進行合并，直到條件滿足。

圖6 分割流程圖

2.3 視覺傳達下超光譜圖像重建算法

傳播過程是一種說服過程，其中的五種基本要素：傳播者、信息、媒介、受傳者和傳播效果是傳播活動得以發(fā)生的精髓。綜合5W模式的研究并以此為基礎，總結出更適用于本文超光譜虛擬重建方法的視覺傳達原則如下：

1)對視覺呈現過程進行分析。人的視覺行為除了眼睛的參與，還包括大腦。大腦對看見的事物有什么特點，是否值得對其給予關注起著主導作用。因此，需要在設計中充分掌握事物的真實形態(tài)，實現具有主觀能動性的視覺行為。同時要準確體現出事物的色彩、亮度等屬性，來使其色彩具有恒常性。

2)視覺的最終呈現結果與視覺傳達的實際效果緊密相關。例如在立體空間知覺方面，三維物體在視覺上會表現出立體感和距離感，因此在對圖像虛擬重建的過程中，需要考慮到距離的遠近會對人的視覺器官產生影響導致體驗者的三維感知體驗感發(fā)生改變。

3)在視覺認知方面，重建方法應考慮到受傳者主要的關注內容、對相似視覺元素隱喻式的聯想，隱喻式聯想是通過已知事物認識新事物的橋梁，現階段已經成為了一種非常有效的人機交互[10]手段。

利用以上設計原則總結出了以下基于視覺傳達的超光譜圖像重建算法。

設V(p)為圖像I中的一組圖片，V*(p)作為經過無用圖像閾值[11]處理后的圖片組，計算方法分別為

V*(p)={I|I∈V(p)，h(p，I，R(p))≤α}

(11)

式(11)中：p為面片；γα表示調整因子；R(p)為p的參考圖像。p的度量函數為

(12)

(13)

為得到更好的圖片組V*(p)，通過下式對其進行面片過濾

(14)

式中，U(p)為不符合可見信息的所有圖片片面集合。如果設M為一個實驗模型，則在模型重建過程中所采用的空間指示函數[12]如下

(15)

3 實驗分析

為證明所提虛擬重建方法的有效性，在VisualC++上搭建虛擬重建仿真平臺，同時完成方法的界面設計、算法編程及方法的集成。

圖7 白色矩形目標分割檢測結果

由上圖可以看出，分水嶺算法通過合適的種子點選取，能夠準確地對不同地面物體圖像進行分割，避免了過分割現象的發(fā)生，并能夠分割兩個相鄰很近的相似物體。

將兩種方法進行3次對比試驗，將其重建的時間和加速比進行比較。加速比是評價并行計算的最重要的性能指標，是用來衡量串行運算和并行運算時間之間的關系，它表示為串行時間T串行與并行時間T并行的比：

(16)

式中，p表示線性加速度。

結果如下表所示：

分析表1可以得到所提重建方法的重建時間和加速比平均為15s、4.61，均優(yōu)于DICOM圖像虛擬重建方法，重建效率更高，速度更快。

表1 兩種方法重建時間和加速比對比

虛擬重建方法不僅需要高效率，還需要更高的重建精準度和清晰度，將上述兩種算法，在3種不同實驗條件下的精準度和清晰度進行對比分析，得到結果如表2所示。

表2 兩種方法的重建精度和清晰度對比

通過表2可以看出，所提方法重建精度始終在94%以上，且清晰度較高，證明所提重建方法的清晰度和精準度遠遠優(yōu)于DICOM圖像虛擬重建方法算法。

最后為驗證所提算法實際操作的穩(wěn)定性，將兩種算法的穩(wěn)定性進行比較，結果如圖8所示中。

圖8 兩種方法穩(wěn)定性對比

通過圖8對比分析可得與DICOM虛擬重建方法相比所提算法穩(wěn)定性更強，算法穩(wěn)定性接近于100%。

綜上所述，所提提出的基于分水嶺分割的超光譜圖像虛擬重建方法的各項數據結果要優(yōu)于DICOM虛擬重建方法，整體有效性更高，更易于硬件操作，具有更高的應用價值。

4 結論

針對虛擬重建方法的時效性差、精準度低等問題，所提提出了一種基于分水嶺分割的超光譜圖像虛擬重建方法。

1)首先對超光譜圖像進行研究分析，將VisualC++作為方法設計平臺，給出一個重建方法整體框架，以FSL作為總線接口來完成設備之間的通信傳輸。

2)為解決超光譜圖像數據量大傳輸和存儲困難的問題，采用普間DPCM和整數小波變換對圖像進行壓縮，將壓縮后的圖像進行圖像分割來提高精準度。

3)最后，以視覺傳達原理為基礎，總結出視覺傳達的基本原則，采用空間指示函數來完成基于分水嶺分割的超光譜圖像虛擬重建方法的構建。通過實驗表明，重建時間和加速比平均為15s、4.61，重建精度始終在94%以上，且清晰度較高，所提方法穩(wěn)定性更強，算法穩(wěn)定性接近于100%，重建速度更快，精準度更高，更具實際應用價值。