谷 佳，王昕兵

(1.宁夏理工学院计算机科学与工程学院，宁夏石嘴山753000;2.内蒙古师范大学，内蒙古呼和浩特010022)

1 引言

信息技术的发展使软件开发数量迅速增加，大多数软件都采用图形化人机交互界面进行信息获取，尤其是移动APP终端，不仅要实现图形化人机交互界面的开发，还要注重其视觉传达能力，提升软件的综合质量[1，2]。图形化人机交互界面是操作者对制造装备重要运行特征信息进行获取和有效控制的关键途径，其设计对操作者控制制造装备的准确性和及时性具有直接影响[3]。

目前许多相关专家学者都将图形化人机交互界面设计作为研究的重点课题，如朱帅等，研究基于改进FAHP-TOPSIS的数控机床人机界面评价模型[4]；梁永强等，研究基于眼动特征的人机交互行为意图预测模型[5]。虽然上述模型具有一定的研究价值，但仍存在界面布局凌乱，操作繁琐，图像增强效果不佳等问题，应用性较弱。

针对传统方法存在的图像增强效果不佳和信息量不丰富的问题，本文设计基于视觉感知的图形化人机交互界面分层模型，以基于层次分析人机交互界面视觉传达的图像处理模型实现的图形化人机交互界面视觉传达优化结果为基础，建立基于视觉感知强度的图形化人机交互界面分层优化模型，实现图形化人机交互界面优化设计，提升图形化人机交互界面的输出显示能力，提高其吸引度。

2 基于视觉感知的图形化人机交互界面分层模型

2.1 图像处理模型构建

2.1.1 视觉传达图像特征提取

在各个局部区域，对于图形化人机交互界面视觉传达特征图像实施傅里叶变换，获取其边缘像素集，表示如下

Iif(x，y)=I*G(x，y，σi)

(1)

Iiv(x，y)=I*stdfilt(x，y，wi)

(2)

Sgif(x，y)=-log2(Pif(x，y))

(3)

其中，Iif(x，y)表示4×4子网格区域的边缘像素集；Iiv(x，y)表示曲面区域的边缘像素集；Sgif(x，y)表示非平缓区域的边缘像素集；G(x，y，σi)表示在4×4子网格区域中，图形化人机交互界面视觉传达图像(简称图形化人机视觉图像)的高频分量集；x和y分别表示图像的横纵坐标；σi表示图像的竖直边缘；wi表示图像的水平边缘。依据图像重构结果实时融合跟踪辨别图形化人机视觉图像，在非平缓区域构造多分辨多尺度的图形化人机视觉图像J的频谱图，从而对图形化人机交互界面的关键滤波纹理系数进行确定[6]，获得曲面区域内，图形化人机交互界面点跟踪的轨迹分量，如式(4)所示

(4)

其中，t0表示曲面区域特征量；I(x)表示图像的外部轮廓；A表示图像特征权值；t(x)表示图像的边缘结构块。在对像素进行拓展的4×4子区域中，图形化人机视觉图像的边缘轮廓信息分量可通过在非平缓区域内采用曲面变换获得，式(5)为图形化人机视觉图像的边缘轮廓信息分量表达式

(5)

其中，ei和yi分别表示图像的尺度信息和块效应分布像素集；N表示图像块个数；b表示一个常数；ai表示局部图像分块；wT表示图像分块的平均像素值；φ(xi)表示图像块之间的相似度。

(6)

其中，Z(i)和h分别表示复合窗口模板和内层窗口的增强特征信息。与稀疏特征融合相结合，可获得图形化人机视觉图像的区域分布基函数，如下所示

g(x，y)=f(x，y)+ε(x，y)

(7)

其中，f(x，y)表示图形化人机视觉图像的像素强度；ε(x，y)表示图像亮度。图形化人机交互界面的视觉传达信息增强处理，可通过交叉性信息融合技术完成，为提升图形化人机交互界面的视觉传达效果，对图形化人机视觉图像的边缘包络特征进行构建。

2.1.2 人机交互界面视觉传达优化

上小节中，图形化人机视觉图像的边缘包络特征由使用边缘轮廓特征提取方法采集的图形化人机交互界面的边界信息特征构成，在此基础上，采用基于层次分析的视觉传达优化方法，实现图形化人机交互界面视觉传达优化。图形化人机交互界面的视觉传达层次模糊聚类表示如下

(8)

(9)

图形化人机交互界面层次融合增强需在窗口是非平缓区域时，使用LBG向量量化方法实现，式(10)描述了图像增强的信息矩阵

(10)

其中，L表示图形化人机视觉图像超分辨率重构的向量量化特征解，可通过归一化特征分解图形化人机视觉图像内的像素特征点获得[8]，在图形化人机视觉图像边缘轮廓内实行最优化系数整合，划分原始指纹图像为一连串不重叠的分块区域，式(11)描述了其定义

(11)

其中，assoc(A，V)和assoc(B，V)分别表示图形化人机视觉图像的像素点子集A内的灰度像素特征和像素点子集B内的灰度像素特征。

式(12)描述了高分辨图形化人机交互界面视觉传达的子集分量

(12)

其中，μi表示边缘轮廓特征点；pi，j(A)表示特征分解结果。

对复合窗口模板的内层窗口进行构建，产生单帧分布区域内图形化人机视觉图像的边缘轮廓特征点，通过向量量化方法完成图形化人机视觉图像信息增强处理，图形化人机交互界面视觉传达过程的特征分解，可使用多分辨的层次分析方法实现，从而达成图形化人机交互界面视觉传达优化。

2.2 基于视觉感知强度的交互界面分层优化模型

2.2.1 分层优化模型构建

基于视觉感知强度的图形化人机交互界面分层优化模型，将图形化人机界面中平缓区域、非平缓区域、曲面区域以及单帧分布等区域的视觉感知强度作为优化目标，并以图形化人机交互界面各个区域视觉感知强度和边缘轮廓内视觉感知元素重要度为基础，进行建立[9]。为了实现对人机交互界面不同区域的分层优化，首先对人机交互界面各个区域中的重要参数进行定义

1)D={d1，d2，…，dn}，当前第i个视觉感知元素的等级值和图形化人机交互界面全部视觉感知元素重要度等级集分别为di和D，其中，i的取值为1，2，…，n；

2)X={x1，x2，…，xm}，xj和X分别为当前第j个视觉感知区域的感知强度等级和图形化人机交互界面各个区域划分的视觉感知强度集，其中，j的取值为1，2，…，m；

3)布置视觉感知元素i时，其在第j强度等级区域占据面积数值用qij表示；

4)R={r1，r2，…，rn}，当前第i个视觉感知区域占据面积数和各个视觉感知元素被布置在图形化人机交互界面后视觉感知强度指数分别为ri和R，其中，i的取值为1，2，…，n，则

(13)

其中，di和xj分别表示任意视觉感知元素布置到图形化人机交互界面时，其重要度等级和布置位置占据区域的感知强度等级，其布置位置占据面积数用qij表示。

若想视觉感知元素布置在图形化人机交互界面核心区域，那么ri的值应越大。在该方法的基础上，对基于视觉传达感知强度的图形化人机交互界面分层优化模型进行建立，表示如下

(14)

通过式(14)获得视觉传达指数定义。若想表示高重要度的视觉感知元素布置在图形化人机交互界面视觉感知强度高的区域，那么Z的值应越大。

2.2.2 基于遗传算法的模型求解

使用遗传算法求解上小节建立的基于视觉感知强度的图形化人机交互界面分层优化模型。

1)模型编码

基于遗传算法进行染色体求解时，使用基于视觉感知元素的编码规则，以保证视觉感知元素能恰当地布置于图形化人机交互界面不同区域内，并且使所布置区域相连接，以此来实现界面的分层优化。如果存在8个视觉感知元素，将其序号当作对染色体实行求解的一个基因片段，假如使用1至8的整数对感知元素序号进行编码，具有可行性的染色体编码表示如下

p1：(2 3 5 6 7 4 8 1)

p2：(5 6 2 3 7 4 8 1)

(15)

2)染色体编码求解

依据以上编码规则，采用以下步骤求解图形化人机交互界面布置：

(a)当前实施布置的视觉感知元素Si和di等信息，可依据提取的基因片段未布置的基因编码获得。

(b)未布置的视觉感知元素的各个视觉感知区域信息，可依据从高至低的视觉感知区域等级获得，并按照面积匹配规则布置视觉感知元素至该视觉感知区域内。

(c)对当前视觉感知区域能否彻底布置该视觉感知元素进行判定，如果能，则跳转至步骤(e)，如果不能，则跳转至步骤(d)

(d)依据面积匹配规则，对获得的下一个等级视觉感知区域和之前待布置视觉感知区域共同实施视觉感知元素布置，跳转至步骤(c)。

(e)对该视觉感知元素完成布置后的rj值进行计算。

(f)对当前编码全部染色体的解码是否完全结束进行判定，如果是，跳转至步骤(g)，如果不是，返回至步骤(a)。

(g)单个染色体的求解计算，可通过依据各个计算结果获得的当前染色编码Z值和各个视觉感知元素在各个感知区域的分布信息实现。

3 实验分析

为分析本文模型的图形化人机交互界面优化效果，设计对比实验，选取文献[4]的基于改进FAHP-TOPSIS的数控机床人机界面评价模型(简称FAHP-TOPSIS模型)和文献[5]的基于眼动特征的人机交互行为意图预测模型(简称眼动特征模型)，作为本文模型的对比模型，进行对比分析。

以采用MATLAB仿真软件和VC编程工具设计的图形化人机交互界面作为实验对象，图形化人机视觉图像样本尺寸为1000，界面元素区域分布位置参数详情用表1描述。

表1 界面元素区域分布位置参数详情

根据上述设置的实验参数，对不同模型进行对比。由于人机交互界面包含大量不同类型的图像，随机选取一张图像作为实验对象，运用不同模型对其进行处理，得到三种模型的亮度特征图像增强对比结果用图1描述。

图1 亮度特征图像增强对比

分析图1可得，FAHP-TOPSIS模型的图像亮度增强效果较弱，而眼动特征模型存在特征图像亮度过强的问题，相对于这两种模型，本文模型具有更优的亮度特征图像增强效果，与人眼视觉感知相吻合，可更好地实现图形化人机交互界面优化处理，提升图形化人机交互界面的视觉舒适度。

信息熵是评价图像平均信息量的标准，通过具体数值对信息熵进行表示，其值越大，说明图像融合效果越好，信息量越丰富。实验分析三种模型的信息熵，结果用图2描述。

图2 信息熵对比结果

分析图2可得，相对于其它两种模型，本文模型的信息熵始终保持最高，稳定在[70，80]区间内，起伏程度较小；FAHP-TOPSIS模型的信息熵起伏程度相对较大，最低值为45，最高值接近60；眼动特征模型的信息熵在[20，50]区间内起伏程度剧烈。对比这些数据可以看出，本文模型具有较强的图像融合效果，可大大提升图形化人机交互界面的性能。

4 结论

通过对视觉感知的深入研究，设计基于视觉感知的图形化人机交互界面分层模型，提升图形化人机交互界面输出显示能力。该双层模型通过基于层次分析人机交互界面视觉传达的图像处理模型和基于视觉感知强度的图形化人机交互界面优化模型，共同实现图形化人机交互界面分层优化设计。该模型通用性强，可应用于各种人机交互界面的优化设计，为人机交互界面优化提供科学、高效的技术支持。