刘哲军

(天津大学 建筑学院， 天津 300072)

视觉传达通过视觉媒介的表现方式将设计者的作品传达给观众，能够体现出作品的时代特征以及丰富内涵，利用视觉符号对各种信息进行传递，以“观看”形式实现交流的目的。通过视觉语言实现内容的传播，可以使不同的地域、性别、年龄、肤色的人，通过视觉以及媒介方式完成文化交流、情感沟通以及信息传达等，从而跨越彼此间语言不通的障碍，消除语言不同的阻隔，只凭“图”——图式、图法、图画、图案、图形以及图像等视觉共识得到互动以及理解[1]。

三维图像虚拟重构技术是一种基于方位与光线的三维信息恢复技术。作为“图像与视觉合一”图像处理技术，能够在获得观测对象的二维空间信息同时，将各个空间像素进行色散，从而形成几十至几百个带宽是10 nm左右波段，进而连续的像素覆盖，在连续像素段上对同一个目标获取其空间图像。同时还可以得到相应的三维曲线，直接反应出被观测物体的三维特征，识别出各种伪装目标，相比于传统的相机或者是成像仪，能够更加详细地对目标进行探测与重构[2]。经过重构结束以后，会生成三维虚拟图像，利用获得的图像数据可以区分与识别地面物质。徐宏根等[3]针对高光谱图像的超分辨率重建中光谱保真度的问题，在重建方法中耦合光谱保真度函数，结合结构自适应归一化卷积方法，提出基于光谱保真约束的归一化卷积方法，将图像局部邻域内像素间的光谱相关性作为约束条件，从而提高重建后超光谱图像光谱特性的保持程度，该方法具有较好的光谱信息保持度，但图像边缘清晰度不理想；杨开富[4]设计基于虚拟现实的数字三维全景超分辨重建系统，利用高斯描述模型定义尺度空间提取二维图像特征，建立超分辨率网格配准图像，建立虚拟的三维全景环境模型，所设计系统的交互性更强，最终生成的数字三维全景效果更逼真，但是细节上存在不清晰的现象。Yin[5]设计了一个基于视觉传达效果的三维图像虚拟重建系统，并给出了图像三维重建系统的功能框架图和硬件结构图。在对输入图像进行中值滤波预处理后，采用基于图像序列的三维重建算法对预处理后的图像进行三维重建，但是图像仍存在缺陷。Wu[6]利用虚拟重建技术，对三维电影动画图像采集和特征处理进行了研究。

本文提出了一种基于亚像素复用技术的时分复用方法，以提高集成成像重建图像的分辨率。利用视觉传达的相关参数为约束条件，设计三维图像虚拟重建方法，利用中值滤波对图像进行预处理，降低噪声的非线性信号，运用碰撞理论进行三维图像虚拟重建的可行性分析。

1 视觉传达的三维图像虚拟重建方法设计

在进行三维虚拟图像重构前，需要计算相关约束条件，本文以视觉传达灵敏度这一关键指标，作为约束条件。计算扫描需要重构图像的数据信息为：

(1)

式中：f(x)代表像素的有效性，通常情况下有效性是一个范围性的数值；x、y、z分别代表扫描像素点的三维坐标；pk代表某种规定的特征参数；DL代表线色散率。

在经过有效的计算，可以将像素实现视觉传达约束的参数分析，而为了简化计算过程，相关参数替换后进行转换为：

(2)

式中：x′、y′、z′为存在视约束的三维坐标值；E代表数据加权分量，通过公式转换能够直接计算匹配效应。

每个图像数据都存在一个特定的视觉表达约束值。而约束值则表示相应的视觉传达属性特征，具体像素密度系数为：

(3)

式中：hu代表整合系数；F(l)代表数据密度熵函；Dj代表三维联合特征分量；Pu代表换阶函数。

为了方便实现像素定位，选取另一个视觉传达属性，完成搭配换算，像素可定位属性为：

f(u)=Ktln(1+duRu)

(4)

式中：Kt代表灵敏度系数值；du代表偏导数。

经过条件限定，能够对每个存在特定属性的像素值实现灵敏度的测定，经过测定后能够实现差分计算，具体灵敏度可测定参数为：

(5)

式中：Hu代表非边缘点数目；λ代表像素均值；Pt代表总图像像素点数目。

图像每帧的像素值能够通过差分算法进行计算。因为差分计算可以填充像素，从而保证超光谱图像的实质效果，填充灵敏度为：

(6)

将式(4)、(5)代入式(6)，经过整理后能够获得计算填充灵敏度为：

(7)

利用填充整理能够获得关于实际设计和区域像素之间的关系，调整式(7)中λ均值能够对结果进行调整。同时确认帧频位置，定位灵敏度为：

(8)

式中：δ代表采样率；kj代表帧频限制因子。

经过逻辑系数的转换，能够实现调整，通过实际计算可以获得综合灵敏度差分系数f值为：

f=(f(k1)-f(k2))D

(9)

式中D为帧频线性分布特征量。

通过对式(9)的结果进行坐标填充，可以保证每个坐标只有一个系统估计值，在数据提取过程中，有效解决数据的不稳定状态或呈现不明显的因素等问题。

1.1 图像预处理分析

利用中值滤波对图像进行预处理，因为中值滤波在本质上可以有效降低噪声的非线性信号，该技术把数字图像或者数字序列内的某一点，通过与该点距离相对较近的范围内，各数值中值进行表示。令附近真实值与像素值二者间的关系相近，以此采用此方法排除单独噪声点。该项技术存在去除噪声快、速率快以及操作简单等优点，在特定条件下，对数字图像进行有效预处理[6]。

利用中值滤波对图像进行处理，对应的输出值为：

(10)

式中：rj代表窗口水平方向；ri代表窗口垂直方向；lm代表帧频序列索引值；nu代表图像上的某像素点[7]。

1.2 碰撞匹配重建算法设计

在计算得到视觉传达差异灵敏度约束条件后，运用碰撞理论进行三维图像虚拟重建的可行性分析。在运用碰撞理论进行三维虚拟图像重建是否成功的判断前，需要采集得到像素的视觉灵敏度差异特征分布情况，判断过程需要获取至少3步以上[8]。直接关系的图像像素视觉传达特征数据，计算其灵敏度差值，作为碰撞判断初始值。由于图像的视觉传达灵敏度差异特性已经证明在空间上是独立分布的，保证了视觉传达特征存在的差异满足碰撞条件。因此这种三维像素数据会在空间中，产生区域碰撞，而碰撞的新区域可完好的弥补确实的三维图像特征，为图像三维重构的一个有效手段。

碰撞判断以3个像素的视觉传达灵敏度差分信息为基础，形成一个虚拟三维重构区域。每个像素的差分信息在二维空间中，由坐标轴上的X、Y坐标表示，分别是视觉传达特征的灵敏度差分值和灰度值，将图像三维虚拟重建转化到数学的二维空间坐标系中。

运用上述像素视觉传达特征的灵敏度差分值，进行三维图像虚拟重构，以重构前后2个相邻像素为例，组成2个三角区域，设为ΔAkBkCk和ΔDk+1EkFk，称为可重构的区域。三角形的顶点表示为三角区域像素实际二维坐标。设点Dk是2个存在视觉传达灵敏度差分的区域ΔDk+1EkFk的中线交点，其与另一个差分区ΔAkBkCk有碰撞点。该碰撞点可作为三维图像虚拟重构的额外补偿点，但要保证其所在区域的灰度坐标小于其中顶点坐标的最小值，也就是要保证三维虚拟重构是正在进行的。对上述过程进行数学模型设计，可以通过向量的方式，进行是否存在视觉传达差异碰撞点的判断，判断方法如下,考虑向量[9]：

(11)

1.3 差异化二维图像数据的碰撞判断

通过上面的内容，计算出可重建区域，并且确认三维重建区域有效后后，就需要进一步确定具体的发生重构的三维图像数据含义信息[10]，然后尽可能的进行细化计算，保证区域内的同步性。在发生碰撞前，图像像素特征依旧用二维坐标表示。三维重建时三角区ΔDk+1EkFk与三角区ΔAkBkCk所在平面会存在碰撞点，判断碰撞点Q的坐标值是否是完整的三维图像虚拟特征，完成碰撞判断。计算出的二维像素坐标信息，包含着碰撞像素信息和视觉传达约束信息的具体值如图1所示。

图1 重构区域的碰撞分析

三维虚拟区域中，在像素连线过程中，可用直线方程表示为：

(P-A)·n=0

(12)

式中：P是虚拟区的任意一个视觉像素点的向量，可表示为：

P=xi+yj+zk

(13)

A=xAi+yAj+zAk则是视觉差异化像素点A的向量表示；n=ai+bj+ck是碰撞区域法向量表示，因此，可做变换：

a(x-xA)+b(y-yA)+c(z-zA)=0

用碰撞顶点F的二维坐标和另一个碰撞顶点D的二维坐标，计算两者之间连线的直线方程表达式[11]：

(14)

得出碰撞点连线的参数方程：

x=ltQ+xF,y=mtQ+yF

其中：

p=n·F-n·A,s=al+bm+cn。

代入式(14)得[12]：

xQ=ltQ+xF,yQ=mtQ+yF

(15)

得到Q(x,y)坐标后，在进行三维虚拟图像重构的过程中，可以通过以上方法求出的可补偿的像素坐标信息，判断该点是否在区域内，进行碰撞检测，根据计算出的碰撞信息，能够分析出这区域内进行三维虚拟重构是否符合要求，如果符合要求，将该点作为特征弥补点，进行特征弥补，完成三维图像虚拟重构。

2 三维图像仿真实验

2.1 实验环境

为了验证所提视觉传达约束下三维图像虚拟重建方法的有效性进行测试，拟定测试平台即Matlab R2019b，在主频为1的环境下进行仿真测试。选择128×128的像素标准图像，作为图像背景，通过图像降质模型，将高分辨率图像转变成低分辨率图像。因为具有起始的高分辨图像，能够客观地对重建后三维图像进行评价。具体采样的方法如图2所示。

图2 图像的亚采样方式

通过图2可知，把邻近4个像素分别抽样至不同低分辨率成像的网格内，利用一幅高分辨图像采样获得低分辨序列图像。在高斯模糊模型中，采用3×3空间不变的高斯低通滤波器，设标准离差为1，采样因子为4，将全部低分辨图像引入高斯噪声，使其信噪比满足35 dB。同时，需要考虑边界问题以及采用相机模糊的运动参数，将低分辨图像的序列各帧大小设置为100×100像素，输出帧数设置为70帧。通过这种采样方式，筛选出高分辨图像，便于对其进行评价。

2.2 实验结果和分析

2.2.1 图像清晰度分析

在The MNIST database图像分类数据库中随机选取1 000个图像数据。亚采样方式处理后，将其中800个图像数据用于训练，200个图像数据用于测试。在测试图像中随机挑选1个图像数据利用本文方法进行三维重建，重建结果如图3所示。

图3 图像清晰度结果

通过图3可以有效剔除图像背景不相关部分，三维重建后的图像清晰分类偏差处于相对稳定状态，清晰度较高，由此证明所提方法的优越性。所提方法利用中值滤波对图像进行预处理，且中值滤波在本质上可以有效降低噪声的非线性信号，因此增加了三维重建后图像的清晰度。

2.2.2 图像边缘细节分析

在三维图像虚拟重建过程中，由于各个算法的操作过程不同，导致图像边缘细节处理结果有所差异。以下仿真实验主要对比3种不同方法的三维图像重建后的图像边缘细节，具体仿真结果如图4所示。

图4 图像边缘细节结果

通过图4可得，相比另外2种方法，本文碰撞匹配重构算法的图像边缘细节处理较好。这是由于利用差异度阈值约束三维重建过程，降低像素丢失。将本文方法与文献[3]方法提出的光谱保真归一化卷积高光谱超分辨率重建方法、文献[4]提出的基于虚拟现实的数字三维全景超分辨重建方法进行对比，分析3种方法处理三维图像重建后的图像边缘细节结果。

2.2.3 图像重建时间分析

为了更加全面验证本文方法的优越性，以下仿真实验重点对比3种不同方法的三维图像重建时间，具体仿真结果如图5所示。且本文方法的图像重建时间最短为4 min，最长不超过6 min，其主要原因是所提方法在计算得到视觉传达差异灵敏度约束条件后，运用碰撞理论进行三维图像虚拟重建的可行性分析。

通过图5可得，由于本文方法以差异度作为约束条件，可以有效对图像进行去噪处理，促使三维图像重建时间较短，效率明显高于另外2种方法法，由此表明差异度对三维图像虚拟重建具有重要意义。

图5 图像重建时间结果

3 结论

1)利用Pilson相似系数获取图像特征关联性，将差异度作为约束条件构建离散余弦变换矩阵，得出图像阈值，根据阈值结果优化三维空间指示函数，以此提高三维图像重建时间。

2)采用碰撞匹配重构算法重构图像特征，根据视觉传达差异像素碰撞像素间隔，获取二维图像序列，以此降低像素丢失，保持图像稳定性状态，提升了视觉传达效率。

3)本文方法三维重建图像清晰度较高，可以复原原始图像，图像边缘细节较好，可以精准实现三维图像虚拟重建，同时图像重建时间保持在5 min内，视觉传达效果较好。

由于时间和研究条件有限，测试范围选取不够宽泛，比如此次研究未将方法的数据丢包率和降噪效果作为测试对象。在此后的测试上将对两者进行分析，以此夯实研究结果。