耿明萌

（安徽工貿(mào)職業(yè)技術學院藝術與傳媒學院，安徽 淮南 232007）

隨著計算機與多媒體技術的發(fā)展，動畫產(chǎn)業(yè)迅速崛起，成為受歡迎的新興產(chǎn)業(yè)。數(shù)字動畫的播放時間不長，但是在數(shù)字動畫的處理過程中，需要對每一幀進行渲染，從而保證數(shù)字動畫的播放效果。在數(shù)字動畫渲染處理的過程中，由于渲染并不是同步進行，數(shù)字動畫單幀圖像的邊緣像素特征容易受到擾動，導致數(shù)字動畫圖像出現(xiàn)明顯畸變現(xiàn)象?；儸F(xiàn)象的產(chǎn)生會嚴重影響數(shù)字動畫圖像的質(zhì)量，為此需要對數(shù)字動畫圖像的畸變進行校正，從而提高數(shù)字動畫圖像的美觀性。因此，數(shù)字動畫圖像畸變校正方法的研究在提高數(shù)字動畫圖像畸變校正方面具有重要意義［1］。

對數(shù)字動畫圖像的畸變校正建立在數(shù)字動畫圖像特征分析和灰度直方圖信息分析的基礎上，結合數(shù)字動畫圖像目標信息的跟蹤結果，進行數(shù)字動畫圖像畸變校正［2］。何志東等［3］提出基于拼接算法的圖像畸變校正方法，通過對圖像進行平面投影處理，得到有多個重復視野區(qū)域的圖像塊；以圖像塊為基礎，根據(jù)拼接算法中的半投影變換算法構造畸變校正方程，完成圖像畸變校正處理，但是該方法校正后，圖像中仍存在明顯畸變情況。戴雯惠等［4］提出基于改進透視變換的圖像畸變校正方法，該方法以透視變換的原理為基礎，將畸變圖像上的點變換映射到參數(shù)空間中，提取出圖像中的非畸變線條；以非畸變線條提取結果為基礎，構建徑向畸變模型，并計算線條之間的距離，得到畸變坐標；通過對坐標進行校正，完成畸變圖像的校正，但該方法校正后，輸出圖像的信噪比較低，導致圖像的質(zhì)量下降。周潔靜等［5］提出基于改進梯度霍夫變換的圖像畸變校正方法，對發(fā)生畸變的圖像進行濾波處理，以初步提高圖像的質(zhì)量；通過梯度運算原理對霍夫變換進行改進，采用改進后的霍夫變換對圖像發(fā)生畸變位置的頂點進行檢測；根據(jù)檢測到的頂點，采用灰度插值進行畸變校正，但該方法校正后圖像的適應性不足。

針對上述傳統(tǒng)圖像畸變校正方法存在的問題，提出基于差值映射的數(shù)字動畫圖像畸變校正方法，進行數(shù)字動畫圖像的紋理特征和顏色特征的融合處理，并根據(jù)特征融合結果，采用差值映射方法進行數(shù)字動畫圖像畸變校正。仿真測試表明，本文方法的動畫圖像校正效果較優(yōu)，不會出現(xiàn)校正不完全現(xiàn)象，且校正后輸出圖像的信噪比高于對比方法，驗證了本文方法在提高數(shù)字動畫圖像畸變校正能力方面的優(yōu)越性。

1 數(shù)字動畫圖像畸變特征檢測

為了實現(xiàn)基于差值映射的數(shù)字動畫圖像畸變校正，需要構建數(shù)字動畫圖像的畸變特征檢測模型［6-7］。采用互信息熵構造方法，得到數(shù)字動畫圖像畸變特征信息為

式中：U為畸變部分的特征點；t為顏色特征量，即RGB參數(shù)；u i為數(shù)字動畫圖像聯(lián)合參數(shù)識別的置信度參數(shù)，設置為0.95；e為顏色特征分布的主成分信息函數(shù)。

根據(jù)聯(lián)合直方圖分析方法，分析數(shù)字動畫圖像畸變特征；采用紋理特征分析方法，構建數(shù)字動畫圖像畸變紋理特征參數(shù)分析模型。在多維狀態(tài)空間中，構建數(shù)字動畫圖像的畸變紋理特征參數(shù)提取函數(shù)為

式中：p i為紋理信息樣本融合參數(shù)［8-10］。

根據(jù)數(shù)字動畫圖像畸變紋理特征參數(shù)分析模型計算結果，得到數(shù)字動畫圖像在復雜背景下的畸變深度信息計算結果為

式中：p2為數(shù)字動畫圖像的協(xié)方差特征量；ρ2為數(shù)字動畫圖像畸變的殘差分量；A2表示對數(shù)字動畫圖像畸變部分進行特征重構［11］；δ為特征重構影響因子。

在仿射不變的連通區(qū)域內(nèi)，得到數(shù)字動畫圖像的畸變特征方差。根據(jù)數(shù)字動畫圖像畸變深度信息計算結果，得到數(shù)字圖像的畸變像素差異度為式中：γ1為數(shù)字動畫圖像畸變參量；xα1為協(xié)方差特征量［12］。

基于每種顏色概率分布，得到畸變特征檢測輸出為

式中：GX為數(shù)字動畫圖像畸變部分的粗糙紋理分布特征量；ηm(x，y)為數(shù)字動畫圖像的顏色畸變函數(shù)。

根據(jù)上述分析，完成數(shù)字動畫圖像畸變特征檢測，可以提高圖像的畸變校正有效性。

2 數(shù)字動畫圖像畸變校正

根據(jù)畸變特征檢測結果，采用匹配濾波檢測方法，進行數(shù)字動畫圖像畸變?nèi)诤系牟钪涤成洌?3-14］，實現(xiàn)對數(shù)字動畫圖像畸變的校正，得到數(shù)字動畫圖像自適應調(diào)節(jié)的聯(lián)合分布函數(shù)為

式中：d i+1為自適應調(diào)節(jié)參數(shù)，設置為0.63。

構建數(shù)字動畫圖像畸變信息的聯(lián)合參數(shù)分析模型，得到圖像紋理信息分布的權重為

式中：P j(t)為數(shù)字動畫圖像的畸變關聯(lián)特征；s為紋理信息分布特征參數(shù)；τ為紋理信息權重參數(shù)。

在圖像多維參數(shù)重構的背景下，得到數(shù)字動畫圖像的深度值為

式中：X n為數(shù)字動畫圖像的成像分辨率；Y n-τ為匹配濾波檢測特征集。

進行數(shù)字動畫圖像畸變特征融合的差值映射［15］，數(shù)字動畫圖像畸變特征的稀疏特征量為

將提取的數(shù)字動畫圖像稀疏特征量輸入到自相關學習器中，得到數(shù)字動畫圖像特征參數(shù)分布的狀態(tài)空間為

采用深度圖像的背景區(qū)域化融合特征分析方法實現(xiàn)數(shù)字動畫圖像畸變?nèi)诤暇垲悾?7-18］，結合數(shù)字動畫圖像的狀態(tài)空間融合分析方法，得到數(shù)字動畫圖像的畸變狀態(tài)結構函數(shù)為

式中：λ為數(shù)字動畫圖像的局部運動狀態(tài)參數(shù)，設置為0.59；r為數(shù)字動畫圖像的畸變狀態(tài)干擾因子。

通過分類器中的濾波增強方法，實現(xiàn)數(shù)字動畫圖像畸變信息的增強處理，將提取的圖像成像結構參數(shù)進行信息融合，得到數(shù)字動畫圖像的向量量化編碼模型為

式中：H(Q|S)為數(shù)字動畫圖像的向量網(wǎng)格特征。

根據(jù)向量量化編碼模型，得到數(shù)字動畫圖像線性特征參數(shù)輸出為

式中：w k-1為線性尺度；p(x，t)為線性特征函數(shù)。

采用差值映射方法實現(xiàn)數(shù)字動畫圖像畸變分量檢測，得到數(shù)字動畫圖像畸變校正輸出為

綜上可實現(xiàn)數(shù)字動畫圖像畸變的校正，提高數(shù)字動畫圖像的質(zhì)量。

3 仿真測試分析

3.1 實驗準備

為了驗證本文方法在實現(xiàn)數(shù)字動畫圖像畸變分量校正中的應用性能，設計實驗進行測試分析。設置實驗數(shù)據(jù)：采集的數(shù)字動畫圖像像素特征量為120×200，數(shù)字圖像的訓練圖片數(shù)為1 200，各層級融合系數(shù)為0.25，數(shù)字圖像的畸變偏移系數(shù)為0.68。根據(jù)上述參數(shù)進行數(shù)字動畫圖像畸變分量校正仿真。

為了得到精準的校正結果，對本文方法的校正性能進行充分驗證，在實驗前對實驗參數(shù)嚴格定義。實驗環(huán)境參數(shù)如表1所示。

表1 實驗環(huán)境參數(shù)

在表1所示的實驗環(huán)境中，以數(shù)字動畫圖像畸變校正質(zhì)量以及輸出圖像信噪比為實驗對比指標，將本文方法與基于拼接算法的校正方法以及基于改進透視變換的校正方法進行對比驗證。

3.2 實驗結果分析

以圖1的數(shù)字動畫圖像為研究對象，分別采用本文方法、基于拼接算法的校正方法以及基于改進透視變換的校正方法進行對比驗證。3種方法的校正結果如圖2～圖4所示。

圖1 待校正的數(shù)字動畫圖像

圖2 本文方法的校正結果

由圖2可知，本文方法對3幅數(shù)字動畫圖像的校正效果較好，可以針對3幅圖像中不同程度的畸變進行校正，校正后輸出的圖像清晰度較高，且均未出現(xiàn)畸變現(xiàn)象。因此，本文方法具有良好的數(shù)字動畫圖像畸變校正效果。

由圖3可知，基于拼接算法校正后，圖像1存在明顯的畸變，圖像2的邊緣出現(xiàn)嚴重的模糊化現(xiàn)象，圖3同樣存在校正效果不良的問題，導致3幅圖像的實際應用效果較差。

圖3 基于拼接算法校正方法的校正結果

由圖4可知，圖像1仍然畸變嚴重，圖像2的模糊現(xiàn)象較為嚴重，而圖像3雖然清晰度較高，但是圖像中的人物明顯傾斜。

圖4 基于改進透視變換校正方法的校正結果

從上述對比結果中可以看出，與兩種傳統(tǒng)方法相比，利用本文方法進行數(shù)字動畫圖像畸變校正的輸出質(zhì)量較好，輸出結果更加自然、美觀，從最大程度上還原了數(shù)字動畫圖像，說明本文方法提高了數(shù)字動畫圖像畸變校正能力。

測試輸出信噪比，對比結果如圖5所示。由圖可知，與基于拼接算法的校正方法、基于改進透視變換的方法相比，采用本文方法進行數(shù)字動畫圖像畸變校正的輸出信噪比較高，說明本文方法的畸變校正輸出穩(wěn)定性更好。

圖5 輸出信噪比測試

4 結 語

構建優(yōu)化的數(shù)字動畫圖像畸變校正模型，結合數(shù)字動畫圖像畸變特征分布式設計，實現(xiàn)數(shù)字動畫圖像畸變校正，本文提出了基于差值映射的數(shù)字動畫圖像畸變校正方法。采用狀態(tài)空間搜索方法，進行數(shù)字動畫圖像畸變特征分析；采用尺度縮放映射方法，建立數(shù)字動畫圖像的向量網(wǎng)格特征分解模型，構建畸變分量的聯(lián)合檢測模型，實現(xiàn)數(shù)字動畫圖像畸變分量校正。實驗研究表明，通過本文方法進行數(shù)字動畫圖像畸變校正的輸出信噪比較高，提高了數(shù)字動畫圖像畸變校正能力，說明本文方法校正質(zhì)量較好。