基于大數(shù)據(jù)和RGB-D圖像的虛擬實驗室場景三維重建

吳永林

(六安職業(yè)技術(shù)學(xué)院 信息與電子工程學(xué)院，安徽 六安 237158)

隨著視景仿真技術(shù)的發(fā)展，利用虛擬視景仿真技術(shù)，進(jìn)行虛擬實驗室場景重建，可提高智能虛擬實驗室的智慧化建設(shè)能力[1-2].因此，相關(guān)的虛擬實驗室場景三維重建方法受到人們的極大關(guān)注[3].

文獻(xiàn)[4]提出基于稀疏采樣與級聯(lián)字典的虛擬實驗室場景重建方法，結(jié)合RGB特征分解方法，進(jìn)行虛擬實驗室場景的重構(gòu)，但該方法進(jìn)行虛擬實驗室場景三維重建的特征辨識度不高.文獻(xiàn)[5]提出基于引導(dǎo)濾波圖像分層的虛擬實驗室場景三維重建方法，建立虛擬實驗室場景RGB-D圖像特征提取和細(xì)節(jié)辨識模型，實現(xiàn)虛擬實驗室場景三維重建，但該方法進(jìn)行虛擬實驗室場景重構(gòu)的特征分辨能力不佳.文獻(xiàn)[6]提出基于加速引導(dǎo)濾波的虛擬實驗室重建方法，結(jié)合特征點匹配方法，實現(xiàn)虛擬實驗室重建，但該方法進(jìn)行虛擬實驗室重建的計算內(nèi)存開銷較大.

針對上述問題，本文提出基于大數(shù)據(jù)和RGB-D圖像的虛擬實驗室場景三維重建方法，并通過仿真測試分析，展示了本文方法在提高虛擬實驗室重建能力方面的優(yōu)越性.

1 虛擬實驗室場景三維圖像的內(nèi)部特征提取與融合

1.1 基于大數(shù)據(jù)的虛擬實驗室場景三維圖像內(nèi)部特征提取

為了實現(xiàn)基于RGB-D圖像的虛擬實驗室場景的三維重建，需要構(gòu)建虛擬實驗室場景三維圖像采集和信息融合模型.采用大數(shù)據(jù)算法建立虛擬實驗室場景RGB-D圖像的紋理視覺信息采樣模型[7].在運用大數(shù)據(jù)算法建立采集模型的過程中，需要獲得虛擬實驗室場景RGB-D圖像紋理視覺像素點(i,j)的灰度信息

(1)

(1)式中，R(i,j)、G(i,j)、B(i,j)分別表示RGB色彩分量.

建立虛擬實驗室場景RGB-D圖像的模板信息特征檢測模型，通過模板信息化重建，進(jìn)行虛擬實驗室場景的梯度信息融合和特征分解，構(gòu)建虛擬實驗室場景下的RGB-D圖像局部融合模型，得到局部信息融合度特征分量[8].定義虛擬實驗室場景RGB-D特征點匹配集為K(i,j)，以K(i,j)為中心，建立虛擬實驗室場景下的RGB-D空間匹配度函數(shù)

(2)

(2)式中，P×Q表示圖像S的大小尺寸.

如果P

(3)

(3)式中，L(i+1,j)、L(i-1,j)分別表示像素點(i,j)前后像素點的梯度.構(gòu)建虛擬實驗室場景RGB -D圖像的采集模型，通過虛擬實驗室場景RGB分解，獲得虛擬實驗室場景RGB-D圖像的空間視覺分布集為

(4)

(4)式中，xi、xj分別表示空間模糊因子.采用大數(shù)據(jù)方法分析虛擬實驗室場景RGB-D圖像的內(nèi)部結(jié)構(gòu)特征量，構(gòu)造虛擬實驗室場景RGB超像素信息融合模型，提高三維場景重構(gòu)能力[9].

空間視覺分布集引入形態(tài)學(xué)算法，構(gòu)建實驗室場景三維圖像的內(nèi)部特征提取模型

(5)

(5)式中，ai表示權(quán)系數(shù)，Dm(x,y)表示內(nèi)部特征提取函數(shù).

通過上述計算，完成實驗室場景三維圖像的內(nèi)部特征提取，接下來進(jìn)行特征信息融合處理.

1.2 邊緣輪廓檢測和圖像特征信息融合

采用信息融合和圖像重建算法進(jìn)行虛擬實驗室場景的紋理特征點增強處理，建立虛擬實驗室場景RGB-D圖像的多分辨融合模型[10].采用分塊特征匹配技術(shù)進(jìn)行虛擬實驗室場景RGB特征分解，結(jié)合3D信息融合，建立虛擬場景圖像的增強模型.通過邊緣輪廓檢測的方法[11]，得到虛擬實驗室場景RGB超像素信息增強模型，以邊緣像素集作為中心函數(shù)，得到虛擬實驗室場景的均衡度

(6)

(6)式中，n表示圖像中像素的總和，nk表示所在灰度級的像素數(shù)，V表示圖像中可能存在的灰度級數(shù).

建立虛擬實驗室場景RGB-D圖像畫質(zhì)低分辨與高分辨之間的過渡模型，通過峰值信噪比檢測方法進(jìn)行灰度信息重組和虛擬實驗室場景RGB特征分割，以此得到虛擬實驗室場景RGB-D圖像特征細(xì)節(jié)點為K(x0,y0)，以K(x0,y0)為中心，得到虛擬實驗室場景稀疏度函數(shù)為

(7)

(7)式中，αi表示投影系數(shù).

通過提取虛擬實驗室場景RGB-D圖像的模糊度特征，計算任意給定的字典原子

(8)

(8)式中，gj表示圖像信號長度，δ表示加性噪聲.

通過多尺度融合和特征分解，可得到虛擬實驗室場景高分辨率殘差高頻圖像

(9)

(9)式中，f(L)表示特征梯度函數(shù).

建立虛擬實驗室場景高分辨率殘差高頻圖像擬合模型，提取虛擬實驗室場景RGB-D細(xì)節(jié)特征分量，根據(jù)虛擬實驗室場景RGB-D圖像的分塊區(qū)域特征結(jié)果[12]，得到虛擬實驗室場景特征線性映射函數(shù)為

(10)

(11)

(11)式中，βK表示最小稠密解.通過RGB-D圖像分解方法，建立虛擬實驗室場景RGB-D圖像虛擬現(xiàn)實三維重構(gòu)模型，采用三維多視點跟蹤識別方法進(jìn)行邊緣輪廓檢測和信息融合[13].

2 虛擬實驗室場景三維重建

2.1 RGB-D圖像的分解

本文提出基于大數(shù)據(jù)和RGB-D圖像的虛擬實驗室場景三維重建方法，建立虛擬實驗室場景三維圖像采集模型，進(jìn)行虛擬實驗室場景RGB-D圖像的虛擬現(xiàn)實三維重構(gòu)，對提取的虛擬實驗室場景信息采用卷積分析方法進(jìn)行RGB特征定位，完成虛擬實驗室場景RGB特征分解[14]，得到虛擬實驗室場景的模板匹配函數(shù)

(12)

采用外部訓(xùn)練集融合方法，進(jìn)行虛擬實驗室場景RGB-D圖像雙向三次插值放大，得到虛擬實驗室場景RGB-D圖像的多模態(tài)參量為

(13)

(13)式中，l=1,2,…,R，并且k≠l.建立虛擬實驗室場景RGB-D圖像虛擬現(xiàn)實三維重構(gòu)模型，將低分辨率圖像進(jìn)行三維重構(gòu)，得到虛擬實驗室場景的相似度為

(14)

(14)式中，CL表示實驗室場景模糊系數(shù).

采用濾波器進(jìn)行逐步濾波處理，進(jìn)行虛擬實驗室場景RGB-D圖像虛擬現(xiàn)實重構(gòu).使用主成分分析的方法，得到虛擬實驗室場景的三次插值放大輸出為

Ω={x∈s|gj(x)≤0,j=1,2,3,…,l}，

(15)

基于重疊塊之間特征匹配的方法，進(jìn)行虛擬實驗室場景RGB-D圖像的優(yōu)化分割和信息特征分解.

2.2 虛擬實驗室場景RGB-D圖像三維重構(gòu)

采用模糊信息融合檢測方法，對虛擬實驗室場景進(jìn)行降維處理，得到RGB-D圖像重構(gòu)的殘差分布函數(shù)為

(16)

(17)

(17)式中，Eint(vi)與Eext(vi)分別表示模型修正參數(shù)與空間向量約束參數(shù).

采用高分辨率殘差分解的方法，計算原圖像灰度值，得到虛擬實驗室場景三維分布矩陣表示為

(18)

對虛擬實驗室場景三維分布矩陣對圖像重組模型進(jìn)行修正，可以完成虛擬實驗室場景的三維重建.

虛擬實驗室三維場景重建流程如圖1所示.

圖1 虛擬實驗室三維場景重建流程

虛擬實驗室三維場景重建步驟如下.

步驟1 運用大數(shù)據(jù)算法建立采集模型時，根據(jù)RGB色彩分量計算虛擬實驗室場景RGB-D圖像紋理視覺像素點的灰度信息；

步驟2 構(gòu)建虛擬實驗室場景下的RGB-D空間匹配度函數(shù)，得到實驗室場景RGB-D圖像的空間視覺分布集，以此為基礎(chǔ)構(gòu)建內(nèi)部特征提取模型，提取實驗室場景三維圖像的內(nèi)部特征；

步驟3 計算虛擬實驗室場景的均衡度，并構(gòu)建虛擬實驗室場景稀疏度函數(shù).如果稀疏度不能滿足計算要求，則重新計算均衡度，直到滿足稀疏度計算要求；

步驟4 通過多尺度融合和特征分解，得到虛擬實驗室場景高分辨率殘差高頻圖像，進(jìn)行實驗室場景模板匹配.對虛擬實驗室場景高分辨率殘差高頻圖像進(jìn)行重組，并采用場景三維分布矩陣對重組結(jié)果進(jìn)行修正，得到最終的重建結(jié)果.

3 重建效果驗證

為了驗證本文方法在實現(xiàn)虛擬實驗室場景三維重建的性能，進(jìn)行模擬實驗.虛擬實驗室場景三維重建的視景仿真平臺為Visual C++，采用3DStudio MAX、SoftImage進(jìn)行視景仿真.實驗數(shù)據(jù)分別來自ImageNet與Corel5k數(shù)據(jù)庫.虛擬實驗室場景RGB特征分解的尺度為12，相鄰幀匹配系數(shù)為0.24，原圖像的大小為24×24，錨點個數(shù)K=200.

根據(jù)上述參數(shù)設(shè)定，分別從上述數(shù)據(jù)庫中隨機(jī)選取100張實驗室場景圖像進(jìn)行重建.由于篇幅限制，從上述圖像中隨機(jī)選取一張實驗室圖像進(jìn)行研究結(jié)果展示.待重建圖像如2所示.

圖2 待重建圖像圖3 RGB-D特征分解結(jié)果

以圖2的圖像為研究對象，進(jìn)行虛擬實驗室場景重構(gòu)和RGB -D分解，得到特征分解結(jié)果如圖3所示.

分析圖3得知，本文方法進(jìn)行虛擬實驗室場景重構(gòu)，特征分解的細(xì)節(jié)辨識度較高.

利用四種方法測試虛擬實驗室場景重構(gòu)效果的對比，得到對比結(jié)果如圖4所示.

(a)本文方法的重建效果(b)文獻(xiàn)[4]方法的重建效果(c)文獻(xiàn)[5]方法的重建效果(d)文獻(xiàn)[6]方法的重建效果

從圖4中可以看出，本文方法進(jìn)行實驗室三維虛擬場景重建效果較好，重建的場景圖像清晰且無色差，能夠清楚地展現(xiàn)實驗室的相關(guān)配置.而三種文獻(xiàn)中的方法的重建結(jié)果存在色差以及嚴(yán)重的模糊問題，重建的實驗室場景效果較差.因此可以看出運用本文方法進(jìn)行實驗室三維虛擬場景重建效果較好，能夠有效提高圖像的三維重建和視景仿真能力.

測試不同方法進(jìn)行虛擬實驗室場景重構(gòu)的輸出信噪比，分別得到對比結(jié)果見表1.

表1 虛擬實驗室場景重構(gòu)的峰值信噪比對比 (單位：dB)

分析表1得知，在兩種數(shù)據(jù)集合共計200次的迭代運算過程中，本文方法重構(gòu)后的峰值信噪比始終高于三種傳統(tǒng)方法，說明本文方法進(jìn)行虛擬實驗室場景重構(gòu)時提高了輸出峰值信噪比，虛擬實驗室場景的三維重建質(zhì)量較高.

4 結(jié)語

本文提出基于大數(shù)據(jù)和RGB-D圖像的虛擬實驗室場景三維重建方法.采用大數(shù)據(jù)算法，精準(zhǔn)地采集虛擬實驗室場景圖像，并進(jìn)行圖像的自適應(yīng)特征重組，得到信息增強技術(shù)下虛擬實驗室場景RGB-D圖像的特征匹配度.采用分塊特征匹配技術(shù)進(jìn)行虛擬實驗室場景RGB特征分解，結(jié)合3D信息融合，建立虛擬場景圖像的增強模型.基于重疊塊之間特征匹配的方法，進(jìn)行虛擬實驗室場景RGB-D圖像的優(yōu)化分割和信息特征分解.結(jié)合虛擬實驗室場景RGB-D圖像的信息融合結(jié)果，進(jìn)行虛擬實驗室場景的三維重建.對實驗結(jié)果分析得知，本文方法進(jìn)行虛擬實驗室場景的三維重建的輸出質(zhì)量較高，重建效果較好.