吴一非，吴 江

(1.江西科技学院，江西 南昌 330000；2.南昌大学，江西 南昌 330000)

1 引言

虚拟现实技术(Virtual Reality，VR[1])也叫灵境技术，是近几年新兴的一种创新型实用技术，广泛应用于各种领域。广场作为人与人之间的主要交流公共场所之一，也具有一定的自然、文化、生态等地域象征，而构建的绿化景观格局则可以展现出地域象征的重要文化精神。凭借虚拟现实技术具有的交互性、沉浸感、多感知性以及想象力等优势，与绿化景观格局构建有效结合，优化格局设计，强化景观表现力，实现身临其境的体验感，节省展示与沟通成本，不论是在绿化景观格局的设计阶段还是施工阶段，虚拟现实技术都具有重要的现实意义。

虚拟现实技术中的关键帧解析阶段，主要是为决策者做趋势预测提供影像变化过程，而关键帧提取则是解析阶段中的核心部分。用来反映影像中重要事件的图像帧即为关键帧，即一个关键帧要具备展现该影像中主要内容的能力，关键帧是一帧或者若干帧图像，因为VR影像数据量较大，故用关键帧替代影像进行储存与检索，该关键帧既要便于储存、索引以及检索等后续处理，还要保证数据量小，方便计算，实现数据压缩与检索速率提升。由于各影像构建背景相同，相同影像内各帧图像会存在大量重复信息，因此，关键帧在提升浏览与检索便捷性方面起着重要的作用。相关学者对此进行了研究，陈雁等[2]针对视频信息的处理，主要是将视频从长视频缩短成为包含信息的短视频，再在这些包含信息的短视频当中筛选出关键帧，对这些信息的筛选和处理从而能够得到有用的关键帧就是视频数据分析的关键，关键帧技术能够极大地节约信息处理资源，减小了信息数据量。康艳荣等[3]通过二进制码分析比对正常和超大波粒视频数据文件结构，解析两类波粒视频数据之间位图索引，关键帧等数据结构的差异，建立波粒超大视频数据解析算法，实现了波粒超大视频关键帧的准确分析。但是传统方法可操作性较差，在此基础上，以VR为技术背景，提出一种广场绿化景观格局数据关键帧解析方法。根据变化率情况，采用对应阈值检测关键帧，避免关键帧检测阈值过于单一；通过计算极大后验概率原则下最优解问题，提升分割精准度；利用斑块密度、平均形状指数、边缘密度、优势度指数、多样性指数以及距离指数等指标，增加格局数据关键帧解析的直观性。

2 广场绿化景观格局VR影像关键帧阈值选取

VR影像用累积直方图表示，影像内容变化用累积直方图距离度量，影像的累积直方图界定公式如下所示

(1)

式中，影像特征取值为k，可取值的特征数量是i，特征取值总数量是l，特征值是k的影像像素数量为nk，像素总个数为N。

用下列公式描述影像第X帧与第Y帧的累积直方图距离

(2)

影像内容的差异度用变化率CR衡量，界定条件式如下所示

(3)

式中，影像相邻帧差为FDsum，影像相邻帧的平均差值为FDmean，所有影像相邻帧差的方差是Tsum，所有影像相邻帧的平均差值方差是Tmean。其中，相邻帧差FDsum与平均帧差FDmean的界定公式分别如下所示

FDsum=sum(DC1，DC2，…，DCn)

(4)

FDmean=mean(DC1，DC2，…，DCn)

(5)

式中，影像中相邻帧差的个数为n。

如果影像的相邻帧差均值与相邻帧差比对应阈值小，则影像内容差异度小，变化率取值-1；如果影像的相邻帧差均值与相邻帧差比对应阈值大，则影像内容差异程度大，变化率取值1；若属于其它情况，则影像内容差异程度中等，变化率取值0。

关键帧阈值可通过下列公式确定

Th=m+sσ

(6)

上式里，影像相邻帧差的方差与均值分别为σ与m，加权系数是s，系数取值根据影像内容变化率决定，当变化率较大时，通过高阈值Thh检测关键帧，若变化率较小，利用低阈值Thl检测关键帧，这样可以防止关键帧检测阈值过于单一。

依据影像内容变化程度CR，选取关键帧的流程描述如下：

1)假设影像帧集合为Syxz={F1，F2，…，Fmid，…，Fi，…，Fn}，其中，关键帧集合Sgjz中有M个元素，初始化是空集状态；

2)变化程度CR取值-1，影像关键帧为中间帧Fmid，且Sgjz=Sgjz∪Fmid，M=M+1；

3)变化程度CR取值1，当前帧是Fc，后续帧是Fs，DC(Fc，Fs)表示两帧之间的距离，高阈值Thh=m+shσ，假设Fc=F1，那么，Sgjz=Sgjz∪F1，M=M+1，求解两帧间距时，如果累积直方图间距DC(Fc，Fs)大于高阈值Thh，则Sgjz=Sgjz∪Fs，Fc=Fs，M=M+1，如果DC(Fc，Fs)比高阈值Thh小，则Fc=Fs，直到解得Fc=Fn计算结束，VR影像关键帧提取完成；

4)变化程度CR取值0，阈值为低阈值Thl=m+slσ，提取关键帧；

5)所有影像关键帧提取完毕，组建关键帧集合Sgjz，得到影像序列。

3 广场绿化景观格局关键帧影像特征提取

3.1 关键帧影像分割

假设尺寸是L×W的影像像素点集合是Sxsd={s=(i′，j′)}，且1≤i′≤L，1≤j′≤W，影像强度矩阵设定为H={Hs;s∈Sxsd}，经过分割的影像种类标签是R={rs，rs∈{1，2，…，p}}，影像分割种类个数是p；若分割后第i类指数分布参数是δi，那么，通过下列计算公式求取影像概率密度函数[4]

(7)

依据贝叶斯原理[5]，架构下列影像分割后验概率函数表达式

(8)

基于上式将影像像素点幅度值用Hs表示，通过计算极大后验概率原则[6]下最优解问题，完成影像分割，求解最优解问题的公式如下所示

(9)

(10)

(11)

3.2 VR影像特征提取

为确保影像信号在0到1之间进行取值，归一化处理分割后的关键帧影像，通过像素差值同化所有影像信号规格，影像信号Z的归一化处理公式如下所示

(12)

假设归一化处理过的影像信号Z尺度信息是J，方向信息是K，经过两信息的Contourlet变换，获取影像低、高频系数，分别表示为bAj″(t)与bDj″，i″(t)，其中，j″=1，2，…，2-J，i″=1，2，…，2-K，下列公式分别为相关约束条件式

(13)

影像归一化处理信号Z的低、高频率与高、低尺度信息均包含于上列约束条件式中。

利用模糊逻辑方法[9]，模糊性滤除归一化处理后的影像，融合Contourlet变换与模糊逻辑[10]，设定特征提取输入语言变量为语义变量LA、LD，则语义变量LA、LD的集合表达式如下所示

(14)

式中，集合ψA与ψD中所含变量个数分别是τA与τD，采用下列计算公式求解与集合ψA、ψD相对应的影像隶属度函数[11]

μψA[bAj″(t)]

(15)

式中，对应于影像信号语义变量LA与LD的第γ个与第λ个隶属度函数，分别用μVAγ(γ=1，2，…，τA)与μVDλ(λ=1，2，…，τD)表示。

由上列各式推导出影像信号语言变量与对应隶属度函数的相关性，关系表达式如下所示

GA[bAj″(t)]=ψA⊗μψA[bAj″(t)]

(16)

(17)

利用激活强度计算公式求取所有模糊区域的激活强度值后，通过下列加权融合计算公式，得到关键帧影像特征矢量ω，完成关键帧影像特征提取

(18)

4 实验分析

4.1 实验参数

绿化景观格局与生态学相关，因此，基于生态学理念，设定绿化景观格局解析指标，利用斑块密度、平均形状指数、优势度指数等指标，更直观地解析格局数据关键帧。为优化后续绿化景观格局整体规划，通过分析景观格局的服务价值，得到绿化生态系统服务总价值。

1)斑块密度

利用斑块密度PD反映绿化景观组合空间的破碎化程度，表达式如下所示

(19)

式中，广场绿化景观所含斑块总数是N，广场绿化景观空间面积总和为A，绿化景观中所有斑块边界总长度是E，绿化物种组成与边缘效应决定边缘密度。

2)平均形状指数

平均形状指数MSI计算公式如下所示

(20)

式中，斑块周长为pij，斑块面积为aij。该指标取值范围不小于1，若平均形状指数取值1，则绿化景观空间的斑块形状是方形，随着指数值不断增加，斑块形状慢慢与正方形发生偏离。

3)优势度指数

优势度指数DI的计算公式如下所示：

DI=SDImax+∑pilgpi

(21)

式中，多样性指数极大值是SIDmax绿化景观各类别斑块与总面积的占比为pi，若该指标取值0，则绿化景观只有一种斑块，斑块种类随着指数值的增加而增多。

3)服务总价值

绿化景观空间格局生态系统服务总价值V的表达式，如下所示

(22)

式中，价值系数用u、v表示，第i类绿化景观分布面积是Aj，广场中该绿化景观格局的生态功能单价是qij。

4.2 实验数据分析

利用VR技术构建一个总面积为2500平方米的广场绿化景观影像序列，从中提取的关键帧如图1所示。

图1 广场绿化景观关键帧示意图

根据关键帧示意图，分析计算得出表1所示的广场绿化景观指数值。

表1 广场绿化景观指数值统计表

通过表1中数据可以看出，从关键帧中共提取出五种斑块类型，全面展现出绿化景观影像中的主要信息，并对该关键帧做出如下解析：根据各类斑块的密度指数可知，在广场绿化景观格局中，林地与草地所占面积较大，满足广场绿化与生态需求；水体与建筑斑块密度较小，说明为方便人类活动，构建了较多的运动空地，符合广场用途目的；少许未开发区域的保留，则是为实际建设时有可能会遇到的突发状况做应急准备。

在此基础上，以服务总价值为参数，对比文献[2]方法和文献[3]方法，对比结果如图2所示。

图2 不同方法系统服务价值对比图

如图2所示，所提方法的绿化景观空间格局生态系统服务总价值明显高于传统方法，说明所提方法具有较高的实际应用性。

5 结论

VR技术对社会生活的不断渗透，将VR技术与广场绿化景观格局设计结合，架构一种景观格局数据关键帧解析方法。为使该方法具有更好的发展前景与更广阔的应用空间，仍需要进行大量的研究工作：关键帧边界检测是影像分析、检索的首要环节与基础，根据压缩域属性，提出一种关键帧检测算法，具有实际研究价值；在特征提取阶段，基于景观格局领域与相关知识，联立低层特征与高层语义之间的关系；只针对数据关键帧的视觉特征加以解析，完整度略显不足，应融入音频特征与文本信息，使关键帧解析更加精准；绿化景观格局类型多种多样，应依据不同的场景特点与设计理念，创建一个具有通用性能的基本解析框架。