基于數(shù)字虛擬技術(shù)的環(huán)境藝術(shù)三維景觀模型構(gòu)建

王雅潔

（陜西學(xué)前師范學(xué)院，陜西西安，710100）

0 引言

隨著我國社會(huì)經(jīng)濟(jì)的不斷發(fā)展，計(jì)算機(jī)三維景觀模型虛擬技術(shù)也得到了良好的發(fā)展與普及，尤其是在信息技術(shù)與軟件工程技術(shù)的大力推動(dòng)下，許多針對(duì)環(huán)境藝術(shù)的三維景觀建模工作只需要在現(xiàn)場通過移動(dòng)設(shè)備就能夠完成，大幅提升了設(shè)計(jì)工作的實(shí)時(shí)性[1]。因此，在現(xiàn)階段的景觀設(shè)計(jì)工作中，需要進(jìn)一步加強(qiáng)對(duì)于數(shù)字虛擬技術(shù)的開發(fā)，通過高水平的三維景觀構(gòu)建技術(shù)為景觀設(shè)計(jì)提供更加全面的支持[2]。

1 三維圖像的重構(gòu)

本次研究所使用的三維動(dòng)畫模擬軟件為Autodesk Maya，通過分塊像素特征匹配的方式重構(gòu)環(huán)境藝術(shù)的三維視覺特征，并借由向量量化分解技術(shù)來實(shí)現(xiàn)三維動(dòng)畫成像，對(duì)成像結(jié)果中的顏色特征分量加以提取，進(jìn)而提升整個(gè)模型對(duì)顏色特征分辨能力和主成分特征分析能力[3]。通過自適應(yīng)特征檢測技術(shù)針對(duì)三維動(dòng)畫進(jìn)行多視點(diǎn)融合跟蹤，進(jìn)而獲取成像結(jié)果中的邊緣輪廓特征值，多視點(diǎn)重構(gòu)模型如圖1所示。

圖1 三維成像的多視點(diǎn)重構(gòu)模型

本次研究通過多重紋理融合技術(shù)來對(duì)三維動(dòng)畫圖像進(jìn)行動(dòng)態(tài)化的融合處理，首先需要對(duì)某一環(huán)境區(qū)域內(nèi)的分塊像素自相關(guān)函數(shù)進(jìn)行定義[4]，定義方法如下：

上式將三維動(dòng)畫圖像動(dòng)態(tài)融合的邊緣特征點(diǎn)記為(xi,yi)；將環(huán)境設(shè)計(jì)特征分塊的融合像素集記為 ?x和 ?y，根據(jù)特征分解和像素邊緣融合方法，三維動(dòng)畫模擬特征重構(gòu)的像素特征量輸出可表示為：

上式將三維成像的邊界像素點(diǎn)記為?I，通過Kronecker Delta函數(shù)將三維成像的先驗(yàn)分布場分割為幾個(gè)不同的區(qū)域，三維分布場相關(guān)系數(shù)的計(jì)算方法如下：

上式將空間區(qū)域分割特征值記為l，將模糊相關(guān)性特征檢測的像素值記為k。本次研究通過三維顏色特征空間的特征分解的方式來重構(gòu)環(huán)境藝術(shù)三維圖像，進(jìn)而獲取三維動(dòng)態(tài)特征量，最后完成圖像信息的采集工作。

2 提取三維動(dòng)態(tài)特征量

本次研究通過虛擬視景重構(gòu)的方式來針對(duì)景觀環(huán)境進(jìn)行特征投影處理并采集三維動(dòng)畫圖像，并對(duì)三維動(dòng)力圖像實(shí)施邊緣輪廓檢測和二值擬合處理，其中邊緣輪廓檢測所使用的方法為包絡(luò)輪廓檢測法，并基于計(jì)三維動(dòng)畫圖像的色彩空間分塊融合特征值來更新模型，進(jìn)而獲得如下所示的迭代公式：

上式將控制三維成像的兩個(gè)分布場記為ρ，進(jìn)而得到三維動(dòng)畫圖像的灰度像素特征量。本次研究利用Euler－Lagrange方程得出如下所示的三維動(dòng)畫圖像觀測點(diǎn)邊界區(qū)域方程：

利用邊緣輪廓特征檢測結(jié)果，設(shè)計(jì)者能夠?qū)θS動(dòng)畫圖像細(xì)節(jié)部分進(jìn)行有針對(duì)性地強(qiáng)化。假定三維動(dòng)畫圖像呈正態(tài)分布，通過連續(xù)重構(gòu)法能夠獲取如下所示的三維動(dòng)態(tài)特征重構(gòu)輸出：

在此基礎(chǔ)上可通過RGB分解的方式來提取三維動(dòng)畫圖像的顏色分量，處理方法如下：

上式將RGB分量記為fR,G,B，將標(biāo)準(zhǔn)差為σs的2D高斯核記為hσs，三維動(dòng)畫的邊緣輪廓檢測輸出為：

3 分塊融合處理

本次研究通過Autodesk Maya軟件來優(yōu)化景觀環(huán)境的設(shè)計(jì)方案，通過RGB分解的方式來提取三維動(dòng)畫圖像的顏色分量，三維動(dòng)畫圖像Harris角點(diǎn)分布信息的表達(dá)方式如下：

上式將特征重構(gòu)空間中三維動(dòng)畫圖像的橢圓主方向角記為θ，將長半軸長度記為λ1，將短半軸長度記為λ1。因此，三維動(dòng)畫圖像像素分布序列的表達(dá)方式如下：

上式將圖像特征象素點(diǎn)分布序列在多線性融合模型中的權(quán)值系數(shù)記為e，將迭代總步數(shù)記為m。設(shè)為N個(gè)標(biāo)量所構(gòu)成的三維動(dòng)畫圖像向量量化特征分解值，在此基礎(chǔ)上通過多特征融合的方式來分解邊緣像素，進(jìn)而獲取如下所示的分塊融合處理模型：

上式將三維動(dòng)畫圖像的灰度像素級(jí)記為g，并在此基礎(chǔ)上針對(duì)三維動(dòng)畫圖像實(shí)施分塊融合處理。

4 三維動(dòng)畫重構(gòu)

本次研究通過分塊區(qū)域重構(gòu)的方式來實(shí)現(xiàn)三維動(dòng)畫重構(gòu)，通過區(qū)域塊分割方法的方式來獲取三維動(dòng)畫重構(gòu)的幾何不變矩相關(guān)系數(shù)，區(qū)域塊分割的結(jié)果如下：

上式將圖像像素序列每一幀中分塊區(qū)域的位置記為b，將三維動(dòng)畫圖像的定義域記為y，將圖像像素初始值的分布坐標(biāo)記為(j,i)，將b與y的相關(guān)系數(shù)記為?。在此基礎(chǔ)上對(duì)圖像暗原色先驗(yàn)特征信息進(jìn)行提取，并通過灰度像素信息融合的方法重構(gòu)圖像特征，進(jìn)而實(shí)現(xiàn)自適應(yīng)的圖像信息融合，標(biāo)記景觀灰度輪廓點(diǎn)，單個(gè)像素值P的傳達(dá)方式如下：

上式將圖像特征分布直方圖特征值記為r，接下來需要對(duì)圖像的動(dòng)態(tài)信息融合特征量進(jìn)行構(gòu)建，本次研究通過自動(dòng)分塊技術(shù)獲取M×N個(gè)2×2的景觀環(huán)境子塊Gm,n，經(jīng)過圖像動(dòng)態(tài)信息重構(gòu)處理后得到以下計(jì)算結(jié)果：

接下來研究基于景觀環(huán)境實(shí)體來標(biāo)定三維動(dòng)畫信息，進(jìn)而獲取圖像動(dòng)態(tài)信息特征匹配集，該匹配集表示為G1=βGm,n，即以二維層狀圖的方式加以表示，最終獲取如下所示的三維動(dòng)畫重構(gòu)輸出結(jié)果：

在三維動(dòng)畫圖像設(shè)計(jì)中通過顏色模板空間投影算法實(shí)施分塊融合處理，可以使三維動(dòng)畫的重構(gòu)能力得到顯著提升。

5 三維動(dòng)畫重建及結(jié)果

本次研究利用SoftImag、3DStudio MAX、Autodesk Maya等軟件針對(duì)景觀環(huán)境實(shí)施三維模型重建，將先驗(yàn)像素值設(shè)置為640×480，梯度特征系數(shù)為1.45，于200×200的網(wǎng)格區(qū)域平均分布環(huán)境觀賞點(diǎn)，并以景觀環(huán)境中的一棵樹為例實(shí)施三維動(dòng)畫模擬，于2個(gè)垂直面的紋理映射和1個(gè)面的紋理映射區(qū)域中實(shí)施操作，最終得到如圖2所示的重建結(jié)果。

圖2 三維動(dòng)畫重建結(jié)果

經(jīng)仿真實(shí)現(xiàn)發(fā)現(xiàn)，本次研究所提出的三維動(dòng)畫重建方案獲取了良好的視覺重構(gòu)效果。在視線變動(dòng)過程中未出現(xiàn)明顯的視覺誤差，具有較強(qiáng)的視覺能力。