VR技術在船舶艙室三維圖像重建中的應用

林 琳

(1.河南科技大學 應用工程學院，河南 三門峽 472000；2.三門峽職業技術學院，河南 三門峽 472000)

0 引 言

隨著視景仿真和圖像融合調度處理技術發展，結合視覺傳達和視景仿真技術，構建船艙艙室三維圖像的重建結構模型。通過視景仿真和三維立體成像軟件，實現對船艙艙室三維圖像重組。通過三維建模軟件設計，提高對船艙艙室的三維空間傳達和細節展示能力。在VR視景仿真環境中，構建船艙艙室的沉浸式視景仿真模型。通過計算機感知和三維虛擬重構件數，進行船艙艙室三維特征點分析，結合視覺分析和視景仿真技術進行船艙艙室三維圖像重建的沉浸式交互環境設計[1]。

傳統方法中，對船艙艙室三維圖像重建技術主要采用計算機模型參數分析方法，使用船艙艙室三維渲染技術，結合圖形圖像VR視景重建，通過三維視景擬合和跟蹤渲染技術，提高對船艙艙室三維圖像仿真和重構能力[2]。但當前方法對船艙艙室三維圖像的視覺表達能力不好，圖模型參數匹配能力不好。針對上述問題，本文提出基于VR技術的艙室三維圖像重建技術。首先采用銳化模板匹配動態增強技術和幀點掃描技術實現對艙室的三維立體圖像掃描和特征提取；然后通過光場邊緣輪廓檢測和模板分塊融合匹配，結合VR視景重建技術，實現對艙室的三維圖像重建。最后進行實驗測試，驗證本文方法在提高船艙艙室三維圖像重建視覺表達能力方面的性能。

1 艙室三維立體圖像掃描和視點跟蹤

1.1 艙室三維立體圖像掃描

為了實現對船艙艙室三維圖像重建，采用模糊的紋理梯度信息增強方法，建立三維場景點跟蹤模型。采用視差線索和散焦線索相融合的方法，結合相鄰2個視角的圖像視差分析，構建艙室三維立體圖像掃描模型[3]，通過視點跟蹤識別和圖像像素特征分解，采用VR技術實現對艙室的三維圖像重建，總體實現結構圖如圖1所示。

圖1 船艙艙室三維圖像重建結構Fig.1 3D image reconstruction structure of ship cabin

通過對船艙艙室三維噪點分離和圖像網格區域分割，采用銳化模板增強技術建立船艙艙室三維圖像輪廓分配模型[4]，根據圖像像素奇、偶的幀掃描，得到圖像采集輸出為：

式中：A為 船艙艙室三維圖像成像在x方向的四維光場分布像素值；t(x)為船艙艙室三維相鄰2個視角的圖像視差；J(x)t(x)為船艙艙室三維圖像微透鏡陣列與主透鏡的距離。

根據相移理論，分析每幀掃描的激光船艙艙室三維關聯像素值大小相同，為W×N，在空間域偏分布域中，得到亞像素單位偏移量檢測約束函數定義為：

其中：x∈?為局部線性模型增量分布行域，雙線性插值的輸入特征量為g={g(i),i∈?}；為濾波器對每個匹配代價函數；?n為引導圖像和待濾波圖像的協方差。

采用像素偏移掃描的方法，得到船艙艙室三維圖像成像單個像素值I(i,j)分布的邊界特征量為：

式中：J(w,e)為雙線性插值圖像；ai為窗口大小；w為模糊加權系數；φ(xi)為濾波圖像的協方差；ei為多個窗口的平均誤差；b為魯棒性設置的閾值；yi為自適應像素分離特征值。

根據上述分析，采用艙室三維立體圖像掃描技術，實現對船艙室三維立體圖像的紋理軌跡渲染，得到艙室三維立體圖像的多標簽的圖像分布為：

其中：xir為船艙室中心孔徑圖像像素；為要斷裂的點與點之間邊的權值；Airp為每幅圖像的像素分辨率，采用多標簽亞像素偏移方法，實現船艙艙室三維圖像重建[5]。

1.2 船艙艙室三維圖像濾波

結合像素匹配模型和濾波抑制方法實現三維圖像的不規則點濾波和修正處理，通過光場邊緣輪廓檢測[6]，得到圖像的背景種子點配準模型，圖像平滑區域的濾波函數為：

其中：Gij(x,y)為微透鏡陣列的模板像素；(xij,yij)為在圖像平滑區域的層位像素級；ε為傳感器像素集合，船艙室的三維重建的分塊區域大小為：

其中：xij和yij為宏像素的大小；x為目標物的深度信息特征量；y為3D結構對象的懲罰特征量；σ為半全局匹配特征值。

根據參考的模板圖像動態特征，船艙艙室三維圖像的稀疏性分解過程如下式：

式中：Wij(x,y)為圖像的邊緣輪廓信息的模板參數；Oij(x,y)為曲線軌跡融合跟蹤軌跡。

根據圖像的信息增強處理結果，得到艙室三維圖像表面(a,bm)點處的連續重構特征為：

其中，Mi及MT經過Wi投影后的得到反映艙艙室三維圖像表面的子空間。令Ix為一個艙艙室三維圖像的模糊特征集，其中x=P,N表示船艙艙室三維圖像的區域大小，采用梯度運算方法進行特征分解，實現對船艙艙室三維圖像輪廓特征提取和重構。

2 船艙艙室三維圖像重建

2.1 船艙艙室三維圖像增強與特征提取

采用信息融合方法進行圖像的Kalman濾波，采用銳化模板增強方法進行船艙艙室三維圖像的信息增強處理，建立船艙艙室三維圖像的統計形狀分析模型，得到船艙艙室三維圖像成像的自動匹配算子為g={g(i),i∈?}，對采集的原始三維船艙艙室圖像進行三維提升反變換處理，得到分割尺度為：

式中：i=1,2,···,T為像素點序列；N為船艙艙室三維圖像輪廓重建的維數；c1為一階統計特征量；c2為二階統計特征量；S為灰色子空間序列，三維圖像像素序列的分布輪廓特征表達式為：

其中：Ts為圖像的塊匹配特征量；Tp為相應圖像塊之間的視覺相似度；Tc為輕量化的動態模板匹配系數；ai為 半全局匹配特征量；ε為視差估計系數；t為相應圖像塊之間的視覺增強分量。

分析匹配代價在全圖的不同方向特征量，得到融合結果為：

其中：Ts為船艙艙室三維圖像成像的單尺度特征值；Tp為線性變換周期；Tc為船艙艙室三維圖像成像采集周期；cj為船艙艙室三維圖像線性變換的加權系數；Np為船艙艙室三維圖像的模糊子空間特征分量。

由此實現對船艙艙室三維圖像增強與特征提取。

2.2 船艙艙室三維圖像重建輸出

在對船艙艙室三維圖像增強與特征提取的基礎上，采用可微分的 PatchMatch模塊匹配方法，得到船艙艙室三維圖像的層級位分布像素級J(Wi)，可以用如下形式簡化：

其中：H1為稀疏注釋的視差圖；H2為稀疏表示的代價系數；λ為特征值。設{w1,w2,···,wdi}表示船艙艙室三維圖像輪廓向量加權，基于深度學習的雙邊網絡學習，得到大規模的數據集分布密度大小關系{λ1≥λ2≥···≥λdi}，其中{λj|j=1,2,···,di}所對應的特征向量。

基于空間變換和視圖合成方法，得到船艙艙室三維圖像重建的中心矩為：

式中：U為一N×N的直方圖分布矩陣；V為一個2×2的流形矩陣，表示為三維幾何信息的動態分配特征量，S是不同條件的適應性分布集。

綜上分析，得到三維重建輸出：

綜上分析，通過光場邊緣輪廓檢測和模板分塊融合匹配，結合VR視景重建技術，實現對艙室的三維圖像重建。

3 性能測試與分析

在對船艙艙室三維圖像重建的仿真實驗中，采用VR技術進行三維圖像的視景重構，使用Visual C++6.0底層開發的編程軟件，設定船艙艙室三維圖像的寬度withd=12，匹配像素百分比為37%，采用分辨率為960×1 280像素成像儀進行船艙室的三維成像采集，邊緣像素檢測點的裁剪分割分塊特征值為192×384，根據上述參數設定，得到初始的船艙室的三維圖像采集如圖2所示。

圖2 初始的船艙室的三維圖像采集Fig.2 Initial 3D image acquisition of the cabin

根據圖2的圖像采集結果，采用本文方法進行圖像三維重建的增強處理，得到圖像增強結果如圖3所示。

圖3 船艙室的三維圖像增強結果Fig.3 3D image enhancement results of the cabin

分析圖3得知，采用本文方法能有效實現對船艙室的三維圖像重建，提高圖像的細節增強能力。在此基礎上實現對船艙室的三維圖像重建，重建結果如圖4所示。

圖4 圖像三維重建結果Fig.4 Image 3D reconstruction results

為了對比性能，采用本文方法和傳統方法，以船艙艙室三維圖像重建輸出圖像的信噪比(SNR)、特征點的匹配精度等指標為測試結果，得到對比結果見表1。分析可知，采用本文方法進行VR三維圖像處理和船艙艙室三維圖像重建，輸出的信噪比較高，特征點匹配精度較好，說明船艙艙室三維圖像VR視景重構的視覺表達能力較強，重建效果更佳。

表1 船艙艙室三維圖像重建性能對比Tab.1 Comparison of 3D image reconstruction performance in cabins and cabins of ships

4 結 語

在VR視景仿真環境中，構建船艙艙室的沉浸式視景仿真模型。通過計算機感知和三維虛擬重構件數，進行船艙艙室三維特征點分析。結合視覺分析和視景仿真技術，進行船艙艙室三維圖像重建的沉浸式交互環境設計。本文提出基于VR技術的船艙室三維圖像重建技術，測試表明，本文方法的重建效果較好，指標性能表現優越。