2. 三门峡职业技术学院,河南 三门峡 472000
2. Sanmenxia Polytechnic, Sanmenxia 472000, China
随着视景仿真和图像融合调度处理技术发展,结合视觉传达和视景仿真技术,构建船舱舱室三维图像的重建结构模型。通过视景仿真和三维立体成像软件,实现对船舱舱室三维图像重组。通过三维建模软件设计,提高对船舱舱室的三维空间传达和细节展示能力。在VR视景仿真环境中,构建船舱舱室的沉浸式视景仿真模型。通过计算机感知和三维虚拟重构件数,进行船舱舱室三维特征点分析,结合视觉分析和视景仿真技术进行船舱舱室三维图像重建的沉浸式交互环境设计[1]。
传统方法中,对船舱舱室三维图像重建技术主要采用计算机模型参数分析方法,使用船舱舱室三维渲染技术,结合图形图像VR视景重建,通过三维视景拟合和跟踪渲染技术,提高对船舱舱室三维图像仿真和重构能力[2]。但当前方法对船舱舱室三维图像的视觉表达能力不好,图模型参数匹配能力不好。针对上述问题,本文提出基于VR技术的舱室三维图像重建技术。首先采用锐化模板匹配动态增强技术和帧点扫描技术实现对舱室的三维立体图像扫描和特征提取;然后通过光场边缘轮廓检测和模板分块融合匹配,结合VR视景重建技术,实现对舱室的三维图像重建。最后进行实验测试,验证本文方法在提高船舱舱室三维图像重建视觉表达能力方面的性能。
1 舱室三维立体图像扫描和视点跟踪 1.1 舱室三维立体图像扫描为了实现对船舱舱室三维图像重建,采用模糊的纹理梯度信息增强方法,建立三维场景点跟踪模型。采用视差线索和散焦线索相融合的方法,结合相邻2个视角的图像视差分析,构建舱室三维立体图像扫描模型[3],通过视点跟踪识别和图像像素特征分解,采用VR技术实现对舱室的三维图像重建,总体实现结构图如图1所示。
![]() |
图 1 船舱舱室三维图像重建结构 Fig. 1 3D image reconstruction structure of ship cabin |
通过对船舱舱室三维噪点分离和图像网格区域分割,采用锐化模板增强技术建立船舱舱室三维图像轮廓分配模型[4],根据图像像素奇、偶的帧扫描,得到图像采集输出为:
I(x)=J(x)t(x)+A(1−t(x))。 | (1) |
式中:
根据相移理论,分析每帧扫描的激光船舱舱室三维关联像素值大小相同,为
minimizef(→x)→x=(x1,x2,…,xn)∈ℜnsubjecttogj(→x)⩽0,j=1,⋯,lhj(→x)=0,j=l+1,⋯,p。 | (2) |
其中:x∈
采用像素偏移扫描的方法,得到船舱舱室三维图像成像单个像素值
L=J(w,e)−N∑i=1ai{wTφ(xi)+b+ei−yi}。 | (3) |
式中:
根据上述分析,采用舱室三维立体图像扫描技术,实现对船舱室三维立体图像的纹理轨迹渲染,得到舱室三维立体图像的多标签的图像分布为:
H=t∑r=1k1∑p=1(xir−x′irp)(xir−x′irp)TAirp。 | (4) |
其中:
结合像素匹配模型和滤波抑制方法实现三维图像的不规则点滤波和修正处理,通过光场边缘轮廓检测[6],得到图像的背景种子点配准模型,图像平滑区域的滤波函数为:
Wij(x,y)=Gij(x,y)∑nxi=1∑nrj=1Gij(x,y)+ε。 | (5) |
其中:
Gij(x,y)=exp(−(x−xij)2+(y−yij)22σ2)。 | (6) |
其中:
根据参考的模板图像动态特征,船舱舱室三维图像的稀疏性分解过程如下式:
F(x,y)=∑nri=1∑ncj=1Wij(x,y)⋅Oij(x,y)。 | (7) |
式中:
根据图像的信息增强处理结果,得到舱室三维图像表面
yi=WiTMi=[yi1,yi2,⋯,yit]。 | (8) |
其中,
采用信息融合方法进行图像的Kalman滤波,采用锐化模板增强方法进行船舱舱室三维图像的信息增强处理,建立船舱舱室三维图像的统计形状分析模型,得到船舱舱室三维图像成像的自动匹配算子为
c1={i|i∈S},c2={{i,i′}|i′∈Ni,i∈S},C=c1∪c2。 | (9) |
式中:
sPPM(t)=∞∑i=−∞Np−1∑j=0p(t−iTs−jTp−cjTc−aiε)。 | (10) |
其中:
分析匹配代价在全图的不同方向特征量,得到融合结果为:
sPAM(t)=∞∑j=−∞djp(t−jTs)。 | (11) |
其中:
由此实现对船舱舱室三维图像增强与特征提取。
2.2 船舱舱室三维图像重建输出在对船舱舱室三维图像增强与特征提取的基础上,采用可微分的 PatchMatch模块匹配方法,得到船舱舱室三维图像的层级位分布像素级
Wi=(H1−H2)ω=λω。 | (12) |
其中:
基于空间变换和视图合成方法,得到船舱舱室三维图像重建的中心矩为:
O=USVT。 | (13) |
式中:
综上分析,得到三维重建输出:
\begin{split}& Match(objec{t}_{pre}\text{,}objec{t}_{c})=\\ &\qquad \frac{{\displaystyle {\sum }_{i}({H}_{pre}(i)-\overline{{H}_{pre}})({H}_{c}(i)-\overline{{H}_{c}})}}{\sqrt{{\displaystyle {\sum }_{i}{({H}_{pre}(i)-\overline{{H}_{pre}})}^{2}{\displaystyle {\sum }_{i}{({H}_{c}(i)-\overline{{H}_{c}})}^{2}}}}}。\end{split} | (14) |
其中:
综上分析,通过光场边缘轮廓检测和模板分块融合匹配,结合VR视景重建技术,实现对舱室的三维图像重建。
3 性能测试与分析在对船舱舱室三维图像重建的仿真实验中,采用VR技术进行三维图像的视景重构,使用Visual C++ 6.0底层开发的编程软件,设定船舱舱室三维图像的宽度
![]() |
图 2 初始的船舱室的三维图像采集 Fig. 2 Initial 3D image acquisition of the cabin |
根据图2的图像采集结果,采用本文方法进行图像三维重建的增强处理,得到图像增强结果如图3所示。
![]() |
图 3 船舱室的三维图像增强结果 Fig. 3 3D image enhancement results of the cabin |
分析图3得知,采用本文方法能有效实现对船舱室的三维图像重建,提高图像的细节增强能力。在此基础上实现对船舱室的三维图像重建,重建结果如图4所示。
![]() |
图 4 图像三维重建结果 Fig. 4 Image 3D reconstruction results |
为了对比性能,采用本文方法和传统方法,以船舱舱室三维图像重建输出图像的信噪比(SNR)、特征点的匹配精度等指标为测试结果,得到对比结果见表1。分析可知,采用本文方法进行VR三维图像处理和船舱舱室三维图像重建,输出的信噪比较高,特征点匹配精度较好,说明船舱舱室三维图像VR视景重构的视觉表达能力较强,重建效果更佳。
![]() |
表 1 船舱舱室三维图像重建性能对比 Tab.1 Comparison of 3D image reconstruction performance in cabins and cabins of ships |
在VR视景仿真环境中,构建船舱舱室的沉浸式视景仿真模型。通过计算机感知和三维虚拟重构件数,进行船舱舱室三维特征点分析。结合视觉分析和视景仿真技术,进行船舱舱室三维图像重建的沉浸式交互环境设计。本文提出基于VR技术的船舱室三维图像重建技术,测试表明,本文方法的重建效果较好,指标性能表现优越。
[1] |
徐周波, 陈浦青, 刘华东, 等. 基于自注意力网络的深度图匹配模型[J]. 计算机应用, 2023, 43(4): 1005-1012. XU Zhoubo, CHEN Puqing, LIU Huadong, et al. A Depth Map Matching Model Based on Self Attention Networks[J]. Computer Applications, 2023, 43(4): 1005-1012. |
[2] |
任宏德. 基于模拟退火算法优化的超分辨率图像重建[J]. 激光杂志, 2016, 37(2): 38-41. REN Hongde. Super resolution image reconstruction optimized based on simulated annealing algorithm[J]. Laser Journal, 2016, 37(2): 38-41. |
[3] |
XIE Guodong, REN Yongxiong, HUANG Hao, et al. Phase correction for a distorted orbital angular momentum beam using a zernike polynomials-based stochastic-parallel-gradient-descent algorithm[J]. Opt Lett, 2015, 40: 1197-1200. DOI:10.1364/OL.40.001197 |
[4] |
FU Shiyao, ZHANG Shiun, WANG Tonglu, et al. Pre-turbulence compensation of orbital angular momentum beams based on a probe and the Gerchberg-Saxton algorithm[J]. Opt Lett, 2016, 41(14): 3185-3188. DOI:10.1364/OL.41.003185 |
[5] |
OVESNY M, KRÍZEK P, BORKOVEC J, et al. Thunder STORM: a comprehensive ImageJ plug-in for PALM and STORM data analysis and super-resolution imaging[J]. Bioinformatics, 2014, 30(16): 2389-2390. DOI:10.1093/bioinformatics/btu202 |
[6] |
蒋玉英, 陈心雨, 李广明, 等. 图神经网络及其在图像处理领域的研究进展[J]. 计算机工程与应用, 2023, 59(7): 15-30. JIANG Yuying, CHEN Xinyu, LI Guangming, et al. Graph neural networks and their research progress in the field of image processing[J]. Computer Engineering and Applications, 2023, 59(7): 15-30. |