万鲤菠

摘  要： 为了提高产品外包装造型的设计效果，提出基于视觉传达技术的产品外包装造型仿真设计方法。采用图像处理方法进行产品外包装造型视觉图像采样，提取产品外包装造型视觉图像的边缘轮廓特征量，采用角点标注的方法进行产品外包装造型视觉信息分析，计算产品外包装造型视觉高分辨特征分布值，采用机器视觉方法进行产品外包装造型视觉三维特征重构，结合小波多尺度分解方法进行产品外包装造型视觉信息的轮廓检测和特征点标定，建立产品外包装造型视觉图像的角点检测模型，根据边缘轮廓检测和角点检测结果，实现产品外包装造型视觉优化设计，提高产品外包装造型的视觉传达能力。仿真结果表明，采用该方法进行产品外包装造型视觉设计的输出性能较好，峰值信噪比较高，提高了产品外包装造型的视觉表达能力。

关键词： 产品外包装造型; 仿真设计; 视觉传达技术; 视觉图像采样; 三维特征重构; 角点检测建模

中图分类号： TN911.73?34; TP391                 文献标识码： A                    文章编号： 1004?373X（2020）18?0168?04

Abstract： A simulation design method of product external packaging modeling based on visual communication technology is proposed to improve the design effect of product external packaging modeling. The visual image sampling of product external packaging modeling is carried out by means of the image processing method， and the edge contour feature quantity of the product external packaging modeling visual image is extracted. The visual information of product external packaging modeling is analyzed by means of the corner marking method， the high resolution feature distribution value of product external packaging modeling vision is calculated， and the 3D feature reconstruction of product external packaging modeling vision is carried out by means of the machine vision method. The contour detection and feature point calibration of product external packaging modeling visual information are carried out by combining with the wavelet multi?scale decomposition method， and the corner detection model of product external packaging modeling visual image is established. According to the results of edge contour detection and corner detection， the visual optimization design of product external packaging modeling is realized， and the visual communication ability of product external packaging modeling is improved. The simulation results show that this method has good output performance and high peak signal?to?noise ratio for the product external packaging modeling visual design， which improves the visual expression ability of product external packaging modeling.

Keywords： product external packaging modeling; simulation design; visual communication technology; visual image sampling; 3D feature reconstruction; corner detection modeling

0  引  言

随着对包装设计的精美度和视觉传达能力提出了更高的要求，需要结合自然元素进行产品外包装造型的优化设计[1?2]。本文提出基于视觉传达技术的产品外包装造型仿真设计方法。首先建立产品外包装造型视觉图像的角点检测模型，然后根据边缘轮廓检测和角点检测结果，实现产品外包装造型视觉优化设计，提高产品外包装造型的视觉传达能力。最后进行仿真实验分析，展示了本文方法在提高产品外包装造型视觉传达能力方面的优越性能。

1  产品外包装造型视觉图像分析

采用图像处理方法进行产品外包装造型视觉图像采样，提取产品外包装造型视觉图像的边缘轮廓特征量[3]，构建三维视觉重建模型，进行三维特征分析和稀疏表面特征重建。结合高分辨的特征重构方法，进行产品外包装造型视觉信息采样，建立产品外包装造型视觉的分布式特征重组模型[4]，建立外包装造型视觉图像的灰度直方图，根据直方图中的像素特征点分布进行视觉信息重构，得到产品外包装造型视觉图像的像素重构模型如图1所示。

在Markov链模型中得到产品外包装造型视觉图像的灰度不变矩[5]，构建产品外包装造型视觉图像的灰度特征分布矩阵为：

对产品外包装造型视觉图像进行多尺度边缘处理，提取产品外包装造型视觉图像的局部信息熵特征量[6]，在计算机视觉传达模型下得到产品外包装造型视觉图像的像素分布为：

式中，[eLBF1]，[eLBF2]，[eLGF1]，[eLGF2]分别表示产品外包装造型视觉图像的多分辨像素特征分布，结合产品外包装造型视觉传达分布模型[7]，得到图像的优化采集模型如下：

式中：[c1]和[c2]分别表示产品外包装造型视觉图像的径向灰度和梯度幅值度。根据上述分析，提取产品外包装造型视觉图像的边缘轮廓特征量，采用角点标注方法进行外包装造型视觉信息分析[8]。

2  产品外包装造型设计优化

2.1  产品外包装造型视觉高分辨特征分析

在上述采用图像处理方法进行产品外包装造型视觉图像采样，提取产品外包装造型视觉图像的边缘轮廓特征量的基础上，进行产品外包装造型仿真设计，本文提出基于视觉传达技术的产品外包装造型仿真设计方法。计算产品外包装造型视觉高分辨特征分布值，采用机器视觉方法进行产品外包装造型视觉三维特征重构[9]，得到产品外包装造型视觉图像的活动轮廓分布描述如下：

式中：[ELBF]为产品外包装造型视觉分布的灰度项;[ELGF]是边缘模糊特征分布项。采用VR虚拟现实重构的方法进行视觉传达设计[10]，其公式为：

式中：[IG]表示产品外包装造型视觉分布子带纹理特征;[fG1]和[fG2]表示区域重构梯度模。采用小波多尺度分解方法进行轮廓检测和特征点标定，对产品外包装造型视觉图像进行三维稀疏表面特征重建[11]。

2.2  产品外包装造型视觉传达优化

建立产品外包装造型视觉图像的角点检测模型，根据边缘轮廓检测和角点检测结果[12]，得到产品外包装造型视觉图像重构的特征分布函数：

建立产品外包装造型视觉图像的角点检测模型，得到产品外包装造型视觉传达因子为[f1，f2，?f1，?f2]，结合自适应寻优的方法[13?16]，得到产品外包装造型视觉重建输出为：

根据上述分析，实现流程如图2所示。

3  仿真实验分析

对产品外包装造型视觉仿真采用Matlab设计，在VC++中使用Matlab的m文件进行交叉编译，对产品外包装造型视觉图像采集的像素值为600[×]800，产品外包装造型图像的训练样本集为600，图像灰度平均值[Δ=2.5] piex。得到产品外包装造型的原始设计效果如图3所示。

采用本文方法进行优化设计，得到优化设计结果如图4所示。分析图4得知，采用本文方法能够提高产品外包装造型的视觉传达效果。

测试输出的峰值信噪比，得到对比结果见表1。

4  结  语

本文提出基于视觉传达技术的产品外包装造型仿真设计方法，在进行产品外包装造型视觉效果优化设计时，结合生态自然元素和视觉表达性进行产品外包装设计，采用图像的特征检测和三维轮廓重构分析方法，实现对产品外包装造型视觉的特征分析，采用角点标注的方法进行产品外包装造型视觉信息分析，提取产品外包装造型视觉图像的局部信息熵特征量。在计算机视觉传达模型下得到产品外包装造型视觉图像的像素分布，实现产品外包装造型视觉优化设计，提高产品外包装造型的视觉传达能力。分析得知，利用本文方法进行产品外包装造型视觉表达能力较好，峰值信噪比较高。

参考文献

[1] DING Jia， LI Aoxue， HU Zhiqiang， et al. Accurate pulmonary nodule detection in computed tomography images using deep convolutional neural networks [C]// Proceedings of 2017 International Conference on Medical Computing and Computer?Assisted Intervention. Berlin： Springer， 2017： 559?567.

[2] KAMNITSAS K， LEDIG C， NEWCOMBE V F， et al. Efficient multi?scale 3D CNN with fully connected CRF for accurate brain lesion segmentation [J]. Medical image analysis， 2016， 36： 61?78.

[3] CHEN Hao， DOU Qi， YU Lequan， et al. VoxResNet： deep voxelwise residual networks for brain segmentation from 3D MR images [J]. Neuroimage， 2018， 170： 446?455.

[4] RONNEBERGER O， FISCHER P， BROX T. U?Net： convolutional networks for biomedical image segmentation [C]// Proceedings of 2015 International Conference on Medical Computing and Computer?Assisted Intervention. Berlin： Springer， 2015： 234?241.