基于計算機視覺算法的圖像處理技術的研究

楊上超

關鍵詞：計算機;視覺算法;圖像處理技術

前言：在二維環境中，僅能顯示物體的側面投影。三維立體技術能實現對物體的三維顯示。本文設計構建的真三維顯示計算機視覺系統，能通過計算機視覺算法，對于物體投影具體過程中存在的畸變圖像進行矯正。該技術相比于BP神經網絡，具有更高的矯正精度，在圖像處理領域得到了日漸廣泛的應用。

1計算機視覺算法概述

計算機視覺算法，是對圖像進行處理的數學模型，在人工智能領域中，計算機視覺算法屬于常見技術。根據計算機視覺算法在圖像理解相關方面存在的特性，部分學者對計算機視覺作出如下定義，即引導計算機以人的方式對周圍世界進行觀察理解。計算機視覺算法能有效實現該目標，能從圖像或相關數據中，對所需信息進行獲取。通常，對于各類圖像，人類可直接理解其內容，但對于計算機而言，解釋圖像的具體方式呈現出復雜性和多樣化的特點，僅憑固有的計算能力，難以實現對所有圖像的準確理解。對此，人們從圖像數據的具體類型切入，通過物理概率模型，有效解釋圖像，實現了對計算機視覺算法的構建。運用計算機視覺算法，能準確識別各類圖像，并能將圖像作為依據，繪制相應的三維模型，或預測模擬圖像，具有較高的應用價值。計算機視覺算法具有極為廣泛的應用范圍，在高鐵站、機場等場所的安檢系統中，利用計算機視覺算法，能構建有效的人臉識別系統。

2計算機圖像處理技術分析

2.1 基本含義

該技術是指通過計算機，對圖像進行處理，需解析圖像，并對之進行加工，從中獲取目標圖像，滿足預期需要。對該技術進行應用，主要包括如下過程：（1）對圖像進行處理前，先對之進行轉化，將其轉化為能被計算機系統識別的相關數據，在計算機中存儲數據，便于后期開展圖像處理。（2）通過不同方式并采用不同的計算方法，對計算機中存儲的圖像數據進行格式轉化，并做好數據處理。

2.2 圖像類別

利用計算機處理的圖像，主要包括如下類別：（1）模擬圖像。此類圖像常見于日常生活中，包括光學和攝影等圖像，其中，攝像圖像是通過膠片照相機拍攝的相片。模擬圖像具有快捷的傳輸速度，但缺乏較高的精密度，難以實現靈活應用。（2）數字化圖像。此類圖像的產生，是由于數字化技術的應用，將此類圖像與模擬圖像進行比較，可知，此類圖像具有更高的精密度，且能實現靈活處理。

2.3 技術特點

計算機圖像處理技術主要具有如下特點：（1）具有更高的精密度。信息、網絡技術在各行業領域的應用日漸廣泛，尤其是在圖像處理領域的應用，可將圖像進行數字化出來，進而形成二維數組。通過一定設備對二維數組提供支持，能對圖像實施有效的數字化處理，二維數組能任意發生大小程度的變化。通過掃描設備，對像灰素度等級進行量化，能形成超過16位的灰度，從而實現對精密度的提高，良好滿足圖像處理的高標準要求。（2）再現性良好。對圖像進行處理，最基本的要求，是實現對真實場景的清晰還原，促進照片更為貼近現實。模擬圖像處理相關操作會降低圖像質量，難以實現理想的再現性。通過計算機圖像處理技術，能利用數字化圖像實現對原圖的精準反映，處理完成后，數字化圖像能實現對原有品質的良好保持。該技術還能對圖像進行科學保存、有效復制和快速傳輸，不僅不會對原圖像質量造成不良影響，且再現性較高。（3）具有更廣泛的應用范圍。圖像格式不同，適用的處理方式也不同。該技術能有效處理信息源不同的各類圖像，包括光圖像、遙感圖像、顯微鏡圖像和波普圖像，均能通過數字編碼相關設備，轉化為二維數組類型的圖像。因此，該技術具有更為廣泛的應用范圍，無論對于何種信息源，均可對之實施數據化處理，并在計算機系統中加以儲存，通過對圖像數據進行處理，即可實現預期的應用要求。

3計算機視覺顯示系統的設計

3.1 光場重構

與二維像素進行比較，真三維立體顯示能在立體空間之內，對三維數據場包含的每個點進行成像。成像點，其實即為三維成像相應的體素點，體素點聯合起來，即構成相應的立體圖像。通過光學引擎，并利用機械運動兩類方式，對光場進行重構。對該技術原理進行闡述，可借助五維光場函數對三維立體空間相應的光場函數進行分析，即通過對三維空間內存在的光場函數進行描述，是空間中點的三維坐標及其坐標下的具體方向，表示圖像相應的顏色信息。處于待顯示狀態的三維圖像相應的模型及其紋理，可通過物體表面全部的離散點集進行表示。其中，，Pi表示空間中點的位置，Yi表示空間中點的顏色。

3.2 顯示系統設計

本文基于計算機視覺算法，對圖像處理相關技術進行闡述。技術實現，需對ARM裝置進行應用，通過該裝置發揮的智能交互作用，支持真三維顯示系統的良好實現，人們可通過各角度對成像進行觀看。在真三維顯示系統中，成像具有很高的分辨率，體素甚至可達30M。相對于旋轉式LED點陣三維，其成像方式呈現為柱狀形態，雖能實現對三維光場的重構，但難以形成較大的成像視角，且難以實現較高的分辨率。

在三維環境中，人們對物體進行拍攝，需通過三維基礎對物體進行展示，再將經過投影處理后的物體相應的成像序列在SDRAM中存儲。通過FPGA技術對視頻進行采集，并依托該技術向ARM處理裝置傳導圖像序列，進而對圖像進行切片處理，圖像相關的數據信息完成對DVI視頻接口的進入后，由DMD控制設備對之進行處理，高速投影機即攝入圖像信息。經過相關操作后，DLP可朝著散射屏背面對數字化圖像進行投影。為確保圖像信息實現高速旋轉，需對伺服電機進行運用，通過電機驅動，轉速傳感器能對轉臺角度以及轉臺速度進行探測，并向控制器傳遞所探測的相關信號，據此對轉臺實施閉環式控制。伺服電機在高速旋轉的工作環境中運動，設備會同步采集裝置相應的位置信息，DVI信號將幀頻輸出，控制器形成的編碼即位DVI幀頻信號。這就能保障散射屏與投影的數字化圖像保持同步。

4圖形畸變的矯正算法

4.1 畸變矯正過程

利用計算機視覺算法，通過計算機，可對畸變圖像進行處理。投影設備垂直投影圖像時，在視場變化的情況下，其成像垂軸的實際放大率也隨之變化，此類變化能導致智能交互真三維顯示裝置相應的半透半反屏像素點出現偏移，若出現程度過大的偏移，將導致圖像畸變。對此，需通過計算機圖像處理技術對圖像畸變實施有效校正。圖像產生幾何變形，要通過校正圖像畸變的相關算法，對圖片實施有效的幾何校正，從出現畸變圖像中盡量將畸變消除，并還原圖像狀態。此類處理技術，能將發生畸變的圖像通過幾何校正將幾何畸變有效消除。投影設備包括兩種主要畸變，一種是徑向畸變，一種是切向畸變。其中，后者對圖像畸變產生的影響較小，在對圖像畸變相關算法進行研究時，通常會忽略切向畸變，主要研究徑向畸變。

徑向畸變具體包括兩種，一種是桶型畸變，一種是枕型畸變。投影設備產生最多的徑向畸變為桶型畸變。對于此類畸變相應的光學系統而言，其圖像空間包含的空間直線均非直線，僅對稱中心形成直線。對圖像進行矯正處理，需將對稱中心找準，再通過計算機視覺算法，對圖像展開有效處理，矯正其畸變。

通常，圖像畸變是由于空間狀態發生扭曲而導致畸變，可稱此類畸變為曲線畸變。過去，通過二次多項式矩陣解，可簡單掌握畸變系數，但對于復雜情況的圖像畸變，利用該方式則難以實現對畸變系數的準確描述。對于更高次數的多項式，處理畸變所需的逆具有更大矩陣，不利于后期展開編程分析，且難以實現有效的求解計算。基于BP神經網絡，構建的畸變矯正，能在一定程度上提高精度。本文將計算機視覺算法作為理論基礎，有效深化這種畸變矯正方式，形成卷積神經網絡處理圖像畸變的技術。該技術的權值共享網絡結構類似于生物神經網絡，能實現對網絡模型實際難度的有效降低，還能簡化其復雜程度，并對權值數量進行減少，能增強識別畸變圖像和對之泛化的能力。

4.2 畸變圖像處理

卷積神經網絡也屬于一種人工神經網絡，能更好實現對圖像的有效處理。卷積神經網絡具備的稀疏連接性良好，且具有良好的權值共享行，采用相對簡單的訓練方式，學習難度相對較小，此類連接方式在處理畸變圖像方面更具適用性。在處理畸變圖像的過程中，網絡輸入主要是多維圖像輸入，圖像可實現對網絡的直接穿入，無需對圖像數據進行重新提取。另外，還能將訓練參數減少，在對容量進行控制的同時，確保圖像處理具備的泛化能力良好。

例如，某數字化圖像具有227×227的分辨率，對其均值進行相減處理后，神經網絡包含的全連接層有兩個，卷積層有五個。對圖像信息進行轉化，與卷積神經網絡計算的具體狀態相符，卷積神經網絡需設置227×227的分辨率。加上圖像存在一定程度的幾何畸變，對可能形成的集中變形進行充分考慮，根據檢測窗比例的實際情況，對之進行裁剪，形成特定大小。

5算法實現分析

根據上文論述的計算機視覺算法，確定畸變圖像相應的模型。本文論述的圖像處理技術和相關程序，對Matlab軟件進行了應用，對圖像處理相應的樣本進行選擇時，主要選用標準圖像組和1000幅畸變。對內置于系統中的Deep Learning工具包進行應用，撰寫以畸變圖像算法為基礎的圖像處理方法和相關矯正程序，對圖像進行矯正時，在畸變圖像中對每個點進行映射，再通過灰度差值對灰度值進行確定。此類圖像處理方法的特點在于低通濾波，圖像矯正具有較高的精度，不會明顯存在灰度缺點。對此，通過雙線性插值法，對圖像畸變點附近存在的四個灰度值進行畸變點灰度實際情況的計算。

對于出現幾何畸變的圖像，可根據上文論述的計算機視覺算法輸入CNN模型，對卷積與降采樣層具體數量進行科學設置，對卷積核實際大小、降采樣實際降幅進行科學設置，在此基礎上，將卷積神經網絡的具體內容作為依據，對輸出位置進行合理選擇。將灰度差值相應的雙線性插值算法作為依據，進一步對畸變圖像相應的點位灰度值進行確定。隨后，通過該方法對每個圖像畸變點進行操作，重復操作直至處理完全部的畸變點，即能在畫面中獲取完成矯正的完整圖像。

為實現對卷積神經網絡運算實際難度的盡量降低，減少圖像處理耗費的時間，可對畸變矯正圖像算法進行劃分，形成如下兩部分：一是CNN模型處理，二是對矯正參數進行計算。在實施校正的具體過程中，要對查找表進行提前構建，并形成常數表格，將輸入完成的畸變圖像作為依據，根據像素實況，對表格進行查找，與表格包含的數據信息相結合，根據灰度值進行替換，以當前灰度值實施圖像處理，完成畸變校正。另外，在卷積神經網絡計算機算法初始化階段，將位置映射表作為依據，針對圖像構建CNN模型，依托模型實施畸變處理，通過系統實現對查找表的自動生成。根據上述方法實施相同操作，對灰度值進行計算，再替換當前灰度值，完成對全部畸變點相應的灰度值替換后，即完成了對該畸變圖像的實時矯正，不僅具有較高的精準度，且操作難度相對較小。

結語

綜上所述，在信息網絡技術漸趨普及的時代背景下，數字化圖像已經完全取代模擬圖像。數字化圖像的清晰度較高，且具有較強的真實度，但可能存在一定程度的圖像畸變。對此，需通過圖像處理技術和相關方法對圖像畸變進行處理。基于計算機視覺算法，利用卷積神經網絡對圖像畸變進行計算，遵循灰度值計算的合理方法，能促進圖像清晰度實現有效提高，并實現對圖像存在的幾何畸變的有效矯正。

參考文獻：

[1]宋凡，梁發云，劉敏，等.裸眼3D LCD動靜態圖像顯示的設計研究[J].南昌大學學報（工科版），2015，（1）.87-90.

[2]孔令勝，劉春雨，張元，等.視差自由立體顯示中莫爾條紋消除的研究進展[J].液晶與顯示，2014，（3）.441-449.

[3]田豐，夏雪，田晶，等.高分辨真三維顯示中的體素化及均勻化方法[J].計算機輔助設計與圖形學學報，2013，（9）.1304-1311.

[4]秦偉.計算機圖形圖像技術的應用[J].電子技術與軟件工程，2019，（7）.57.

[5]肖媛媛.計算機平面網絡中的圖像處理技術[J].電子技術與軟件工程，2019，（4）.