缺幀環境下弱紋理圖像的三維重建方法

王 芳，汪 偉

(1.鄭州升達經貿管理學院 信息工程系，河南 鄭州 451191；2.河南工程學院 計算機學院，河南 鄭州 451191)

?

缺幀環境下弱紋理圖像的三維重建方法

王 芳1，汪 偉2

(1.鄭州升達經貿管理學院 信息工程系，河南 鄭州 451191；2.河南工程學院 計算機學院，河南 鄭州 451191)

針對傳統方法進行缺幀環境下弱紋理圖像三維重建時容易受到邊緣缺幀點干擾的影響，降低三維重建效果的問題，提出一種基于邊緣輪廓角點分割和相鄰幀補償缺幀環境下弱紋理圖像三維重建方法.構建缺幀環境下圖像采集模型，采用閾值降噪算法對采集的缺幀環境下弱紋理圖像進行降噪濾波預處理，對降噪輸出圖像進行邊緣輪廓角點分割，采用相鄰幀補償方法進行弱紋理修復和穩像處理，提高了對圖像弱紋理特征的重建能力，實現圖像三維重建的改進.仿真結果表明，改進方法能提高圖像紋理識別和修復重建能力，輸出圖像質量得到有效改善．

弱紋理圖像；邊緣輪廓；相鄰幀補償；圖像識別

0 引 言

隨著圖像處理技術的發展，對圖像進行紋理分割和邊緣輪廓特征提取，在圖像識別和圖像修復等領域具有較好的應用價值.在復雜環境下受采集設備和環境因素影響，導致圖像采集的幀丟失，在缺幀環境下，會導致圖像紋理細節丟失，對缺幀環境下弱紋理圖像進行三維重建是實現圖像識別的重要環節，相關算法研究受到人們的極大重視[1-5]．

傳統方法對缺幀環境下弱紋理圖像三維重建方法主要有基于CT/MRI/US的缺幀環境下弱紋理圖像重構算法，或基于統計形狀模型(Statistical Shape Model， SSM)的缺幀環境下弱紋理圖像重構方法、基于模板形狀匹配的缺幀環境下弱紋理圖像重構方法等[6-7]，但這些方法在信噪比較低時，降低圖像三維重建抗干擾性能[8-14].為此，提出一種基于邊緣輪廓角點分割和相鄰幀補償缺幀環境下弱紋理圖像三維重建方法．

圖 1 缺幀環境下的圖像采集模型 的運動模型Fig.1 Motion model of image acquisition model in a lack-of-frame setting

1 缺幀環境下圖像采集模型與圖像預處理

1.1 圖像采集模型及圖像特征分析

文中構建的缺幀環境下圖像采集模型如圖1所示．根據上述圖像采集模型，采用正方形網格立體建模，將背景圖像B和當前缺幀環境下弱紋理圖像I劃分為(W/2)×(H/2)個子塊，劃分后不規則三角網中的像素灰度值滿足

(1)

(2)

采用視點切換運動方程進行圖像的穩像處理：

(3)

(4)

(5)

其中：x，y，z為紋理規則化的特征分布位置；ψV為視點切換運動的輪廓標記線偏角.計算弱紋理圖像輪廓波域的鄰域在(x，y)(x∈[0，W-1]，y∈[0，H-1])處的像素值，進行圖像特征點采集，使用歸一化分割模型進行缺幀環境下弱紋理圖像特征分割，相鄰幀像素點的近似解為

(6)

通過小波尺度分解，得到缺幀環境下弱紋理圖像紋理特征序列子樣，利用圖像采集的幀誤差T，得到圖像主分量邊緣輪廓信息特征，獲取缺幀環境下弱紋理圖像信息的采集形式為

(7)

采用二階不變矩作為向量量化參數，得到三維成像數據的補償量度，成像區域特征點的灰度像素為

(8)

1.2 弱紋理圖像降噪預處理

文中采用閾值降噪法進行圖像降噪濾波，首先利用Harris角點分割，把圖像分割為M個子塊[15]，利用Hessian矩陣，判斷成像區域的極值點是否為圖像的噪點，Hessian矩陣為

(9)

假設Ix表示主分量邊緣輪廓中含有較大噪點的特征值;Iy表示較小的特征值，通過對圖像特征值的匹配和融合，計算α與β的比值γ，即α/β=γ，得到缺幀環境下弱紋理圖像的透射率為

(10)

(11)

其中：Δx和Δy分別表示缺幀環境下弱紋理圖像的梯度水平幅值和豎直幅值；k表示縮放因子；θ表示差異性旋轉角度.

2 弱紋理圖像三維重建改進

2.1 問題描述及邊緣輪廓角點分割

首先對降噪輸出的圖像進行邊緣輪廓角點分割，利用式(12)獲取缺幀環境下弱紋理圖像噪聲強度：

(12)

其中:J(x)為一個7×7像素滑動窗口內的干擾強度；A為幀丟失的幅值；t(x)為背景噪聲干擾下缺幀環境下弱紋理圖像的透射率；J(x)t(x)為圖像噪點的衰減項；邊緣輪廓子空間內圖像的幀差損失為

(13)

計算全部幀圖像對應的粗尺度和細尺度，通過Harris角點檢測，得到圖像角點包絡特征方程描述為

(14)

其中：ρ(x)表示兩幀之間的運動位移；exp(-βd(x))是高斯函數的尺度；d(x)是相鄰幀的方差.假設Ii(x，y)是小波特征分解細節重構函數，P(x，y)iv和P(x，y)if分別為兩幀之間運動的成像區域像素，則尺度不變性約束函數為

(15)

圖 2 缺幀環境下弱紋理圖像重建的相鄰幀補償示意圖Fig.2 Sketch map of adjacent frame compensation for weak texture image reconstruction in a lack-of-frame setting

通過Harris角點特征提取，實現對采集的缺幀環境下弱紋理圖像特征分割．

2.2 弱紋理圖像三維重建實現過程

在上述進行缺幀環境下弱紋理圖像的邊緣輪廓角點分割基礎上，采用相鄰幀補償方法實現弱紋理圖像三維重建，相鄰幀補償示意圖描述如圖2所示．實現步驟如下：

(1)對缺幀環境下弱紋理圖像特征點及參量進行初始化，假設弱紋理圖像度量區域間的差異性級數N，在相鄰兩幀之間求解失真閥值ε；弱紋理圖像像素值的訓練序列{xj}，j=0，1，…，m-1，初始化幀序列n=0，D-1=∞；

(16)

(3)如果(Dn-1-Dn)/Dn≤ε，停止；求得相應時刻的最佳估算值s(k|k)，否則繼續；

(a) 340和378幀圖像

(b) 1 045和1 097幀圖像圖 3 原始采集的弱紋理圖像Fig.3 Weak texture images

3 仿真實驗與結果分析

為了測試本文算法在缺幀環境下弱紋理圖像三維重建中的性能，進行仿真實驗.硬件環境：Intel(R) 2.3 GHz CPU，2 GB內存，32位Windows 7系統的PC機.基于Matlab 2010編程平臺，根據上述仿真環境和參數設定，得到原始采集的弱紋理圖像如圖3所示．

從圖3可見，原始圖像采集受邊緣缺幀點干擾的影響，導致圖像紋理特征較弱，為實現圖像三維重建，采用本文方法對缺幀環境下弱紋理圖像進行降噪預處理，對降噪輸出的圖像進行邊緣輪廓角點分割，實現角點提取，為了對比性能，采用本文方法和傳統的小波檢測方法和SUSAN角點方法進行對比，得到結果如圖4所示．

從圖4可見，采用本文方法進行缺幀環境下弱紋理圖像角點提取，能有效實現對弱紋理特征的重建和邊緣輪廓分割，提高圖像的修復和重建能力.最后得到不同算法下進行不同幀圖像的三維重建修復處理結果如圖5所示.從圖5可見，采用本文方法進行缺幀環境下圖像三維重建，具有較好的降噪和紋理修復性能，提高對圖像成像和識別能力．

(a) 小波分析方法

(b) SUSAN

(c) 本文方法圖 4 2缺幀環境下弱紋理圖像角點提取結果Fig.4 Results of two different methods to extract corner points of weak texture image

(a) 340和378幀圖像

(b) 1045和1097幀圖像圖 5 不同幀圖像樣本的三維重建和紋理修復能力對比Fig.5 3D reconstruction and texture repair ability of different image samples

4 結束語

本文提出一種基于邊緣輪廓角點分割和相鄰幀補償缺幀環境下弱紋理圖像三維重建方法.仿真結果表明，采用本文方法進行缺幀環境下弱紋理圖像的三維重建，提高紋理的修復能力，三維重建后圖像成像的質量提高，性能優越于傳統方法，展示了較好的應用價值．

[1] 周鐳，單鋒，劉鵬，等. 基于供應鏈的企業信息化評價模型的建立[J]. 西安工程大學學報，2015，29(6):772-779．

ZHOULei，SHANFeng，LIUPeng，etal.Theestablishmentoftheenterpriseinformatizationevaluationmodelbasedonsupplychain[J].JournalofXi’anPolytechnicUniversity，2015，29(6):772-779．

[2]KARLSSONJ，ROWEW，XUL，etal.Fastmissing-dataIAAwithapplicationtonotchedspectrumSAR[J].IEEETransactionsonAerospaceElectronicSystems，2014，50(2):959-971．

[3]PARKHR，LIJie.Sparsecovariance-basedhighresolutiontimedelayestimationforspreadspectrumsignals[J].ElectronicsLetters，2015，51(2):155-157．

[4]GLENTISGO，JAKOBSSONA，ANGELOPOULOSK.Block-recursiveIAA-basedspectralestimateswithmissingsamplesusingdatainterpolation[C]//InternationalConferenceonAcoustics，SpeechandSignalProcessing(ICASSP)，Florence，2014，12(10):350-354．

[5] 王慧賢，靳惠佳，王嬌龍，等.k均值聚類引導的遙感影像多尺度分割優化方法[J]. 測繪學報，2015，44(5):526-532．

WANGHuixian，JINHuijia，WANGJiaolong，etal.Optimizationapproachformulti-scalesegmentationofremotelysensedimageryunderk-meansclusteringguidance[J].ActaGeodaeticaetCartographicaSinica，2015，44(5):526-532．

[6] 宋濤，李鷗，劉廣怡. 基于空時多線索融合的超像素運動目標檢測方法[J]. 電子與信息學報，2016，38(6):1503-1511．

SONGTao，LIOu，LIUGuangyi.Movingobjectdetectionmethodviasuperpixelsbasedonspatiotemporalmulti-cuesfusion[J].JournalofElectronics&InformationTechnology，2016，38(6):1503-1511．

[7]BROXT，MALIKJ.Largedisplacementopticalflow:Descriptormatchinginvariationalmotionestimation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2010，33(3):500-513.

[8] 李秦，夏選太. 基于Kinect傳感器的三維重建算法研究[J]. 電子設計工程，2015，23(17):30-31．

LIQin，XIAXuantai.Studythethree-dimensionalreconstructionalgorithmbasedontheKinectsensor[J].ElectronicDesignEngineering，2015，23(17):30-31．

[9] 赫高進，熊偉，陳犖，等. 基于MPI的大規模遙感影像金字塔并行構建方法[J]. 地球信息科學學報，2015，17(5):515-522．

HEGaojin，XIONGWei，CHENLuo，etal.AnMPI-basedparallelpyramidbuildingalgorithmforlarge-scaleRSimage[J].JournalofGeo-InformationScience，2015，17(5):515-522．

[10] 李旭超，宋博，甘良志. 改進的迭代算法在圖像恢復正則化模型中的應用[J]. 電子學報，2015，43(6):1152-1159．

LIXuchao，SONGBo，GANLiangzhi.Theapplicationofimprovediterativealgorithmtoregularizationmodelofimagerestoration[J].ChineseJournalofElectronics，2015，43(6):1152-1159．

[11] 于海琦，劉真，田全慧. 一種基于RBF神經網絡的打印機光譜預測模型[J]. 影像科學與光化學，2015，33(3):238-243．

YUHaiqi，LIUZhen，TIANQuanhui.AspectralpredictionmodelofprinterbasedonRBFneuralnetwork[J].ImagingScienceandPhotochemistry，2015，33(3):238-243．

[12] 柏猛，李敏花，呂英俊. 基于對稱性分析的棋盤圖像角點檢測方法[J]. 信息與控制，2015，44(3):276-283．

BAIMeng，LIMinhua，LYUYingjun.Cornerdetectionmethodofchessboardbasedonsymmetryanalysis[J].InformationandControl，2015，44(3):276-283．

[13] 張子龍，薛靜，喬鴻海，等. 基于改進SURF算法的交通視頻車輛檢索方法研究[J]. 西北工業大學學報，2014，32(2):297-301．

ZHANGZilong，XUEJing，QIAOHonghai，etal.ThevehicleretrievalmethodsoftrafficvideobasedonimprovedSURFalgorithm[J].JournalofNorthwesternPolytechnicalUniversity，2014，32(2):297-301．

[14]EVANGELIORH，PATZOLDM，KELLERI.AdaptivelysplittedGMMwithfeedbackimprovementforthetaskofbackgroundsubtraction[J].IEEETransactionsonInformationForensicsandSecurity，2014，9(5):863-874．

[15]MARTINSP，CASEIROR，BATISTAJ.Non-parametricbayesianconstrainedlocalmodels[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition，Columbus，2014:1797-1804．

編輯、校對：師 瑯

Three dimensional reconstruction method of weak texture image under the condition of lack of frame

WANG Fang1，WANG Wei2

(1.Department of Information Engineering， Zhengzhou Shengda College of Economics and Trade Management，Zhengzhou 451191，China;2.School of Computer Science， Henan University of Engineering， Zhengzhou 451191，China)

In traditional methods, 3D reconstruction of weak texture images without frame is easily affected by edge no-fram-point interference,lowing 3D reconstruction effect.A 3D reconstruction method is proposed based on a corner edge contour segmentation and adjacent frame of compensation.Image acquisition model is constructed, the threshold de-noising algorithm is adopted to collect the images for noise filtering pre-processing, and corner edge contour segmentation is processed for denoised output image.Adjacent frames compensation method is adopted to improve the weak texture repair, image processing, and the weak texture feature of image reconstruction ability, realizing 3D reconstruction image improvement. Simulation results show that the method can improve the texture of image recognition and reconstruction ability, effectively improving the output image quality.

weak texture image; edge profile;adjacent frame compensation;image recognition

1674-649X(2016)04-0477-06

10.13338/j.issn.1674-649x.2016.04.012

2016-01-10

河南省重點科技攻關項目(152102210176)

王芳(1973—)，女，河南省鄭州市人，鄭州升達經貿管理學院副教授，研究方向為圖形圖像處理與計算機網絡.E-mail:wangfang0278@163.com

王芳，汪偉.缺幀環境下弱紋理圖像的三維重建方法[J].西安工程大學學報，2016，30(4)：477-482.

WANG Fang，WANG Wei.Three dimensional reconstruction method of weak texture image under the condition of lack of frame[J].Journal of Xi′an Polytechnic University,2016，30(4)：477-482.

TP 391

A