基于激光數字的產品包裝外觀圖像增強技術研究

摘 要：受到圖像拍攝環境以及硬件設備等因素的限制，產品包裝外觀圖像通常包含一定的噪聲，而進行圖像增強時，通常會因濾波程度較低而導致增強效果不佳。對此，提出基于激光數字的產品包裝外觀圖像增強技術。使用LiDAR3D掃描設備對產品包裝外觀進行掃描，并結合激光光束的發射距離以及光束方向向量，構建出完整的激光點云數據集。通過計算點云數據的全局統計量，對距離閾值進行設定，識別出離群點，從而實現圖像深度濾波處理。將讀取的產品包裝圖像分離出RGB三個顏色通道，并結合布局調整因子以及不同通道下的像素平均值，對全局色彩增益系數進行計算，并將其應用到每個顏色通道，實現色彩偏差的有效校正。結合圖像梯度對權重函數進行定義，并將其作為細節圖像中不同分解尺度貢獻度的衡量指標，實現多尺度銳化增強處理。在實驗中，對提出的方法進行了增強效果的檢驗。最終的測試結果表明，采用提出的方法對產品包裝外觀圖像進行增強后，圖像的峰值信噪比更高，具備較為理想的增強效果。

關鍵詞：激光數字；產品包裝；圖像增強；峰值信噪比；色彩通道

中圖分類號：TP391.4文獻標識碼：A文章編號：1673-260X（2024）11-0012-05

在激烈的市場競爭中，產品包裝的重要性不言而喻。精美的包裝不僅能夠樹立和提升品牌形象，還能顯著增強產品的附加值和市場競爭力。然而，傳統的產品包裝外觀圖像常因拍攝條件限制、材料質地差異以及印刷工藝限制等因素，導致圖像質量參差不齊，難以充分展現產品的獨特魅力和價值。因此，如何對產品包裝外觀圖像進行有效增強處理，以提升其整體質量，成為當前研究領域的熱點話題。激光數字技術，以其高精度、高效率的特點，在圖像處理領域嶄露頭角，并得到了廣泛應用。激光數字技術采用獨特的激光掃描方式，能夠捕捉物體表面的細微紋理和高分辨率圖像數據。通過先進的數字化處理手段，該技術可以精準控制圖像的每一個細節和色彩表現，使圖像質量得到顯著提升。將激光數字技術應用于產品包裝外觀圖像的增強處理中，不僅可以顯著提升圖像的整體質量，更能實現對圖像細節的精準控制和優化。這將為產品包裝設計師提供更多的創新空間和技術支持，有助于打造出更具吸引力和競爭力的產品包裝。激光數字技術在產品包裝外觀圖像增強處理中的應用具有廣闊的前景和巨大的潛力。未來，隨著技術的不斷進步和優化，相信這一領域將會有更多突破和創新。

近年來，國內外學者在圖像增強技術方面進行了大量的研究，取得了豐碩的成果。例如，陳晨等通過Curvelet變換和細節增強網絡模型增強高頻分量，采用基于照度圖估計的微光圖像增強方法強化低頻分量，從而改善低亮度激光圖像的亮度及內部細節信息[1]。然而，由于激光圖像的特殊性，該方法在處理高噪聲或復雜背景的圖像時，可能會導致圖像細節丟失或增強質量不高。丁超群等通過曲波變換將圖像分解為不同尺度和方向的子帶，然后針對每個子帶進行對比度增強處理[2]。但曲波變換在處理具有大量細節的圖像時可能會引入一些偽影，影響圖像的整體質量。此外，對于光照不均勻的圖像，該方法可能無法完全消除光照對圖像質量的影響。Sun K等提出了一種新穎的水下圖像增強網絡，該網絡通過三重注意力和多尺度金字塔結構捕捉圖像的重要像素級特征，提高水下圖像的清晰度和可見性，并在多個數據集上驗證了其優于現有方法的效果[3]。雖然該網絡在水下圖像增強任務上表現優秀，但其復雜結構可能導致較高的計算成本和較長的推理時間。張航等首先通過語義分割將圖像劃分為不同的區域，然后在HSV色彩空間中對每個區域進行獨立的增強處理[4]。但由于語義分割的準確性過于依賴色彩空間表示效果，導致該方法在處理具有復雜紋理和色彩變化的圖像時，可能會存在增強效果不理想或顏色失真的問題。為了解決上述問題，提高產品包裝外觀圖像質量，本文將研究基于激光數字的產品包裝外觀圖像增強技術。采用LiDAR3D掃描技術構建產品包裝外觀的激光點云數據集，通過深度濾波、全局色彩增益校正及多尺度銳化增強處理，實現了對受噪聲影響的產品包裝外觀圖像的有效增強，并經過實驗驗證了其理想的增強效果。

1 產品包裝外觀圖像增強技術研究

1.1 產品包裝外觀圖像點云數據離群點剔除

為對產品包裝外觀圖像進行增強處理，本文首先結合激光數字技術對產品包裝外觀圖像進行掃描，從而獲取激光點云數據，并對其進行離群點剔除，從而實現數據濾波平滑處理。

首先采用LiDAR3D掃描設備對產品包裝外觀進行掃描，通過發射激光光束，并對光束到包裝表面的反射時間進行記錄，從而計算出掃描儀到產品包裝表面之間的距離[5]。假設LiDAR3D掃描設備激光光束的發射時間以及返回接收時間分別為t1和t2，則掃描點位到產品包裝表面之間的距離d表達式如式（1）所示。

d=（1）

式（1）中，c代表光速。結合掃描儀在全局坐標系中的位置、姿態和激光光束的角度，可以計算出每個被激光束擊中的點在三維空間中的坐標[6]。假設LiDAR3D掃描設備在掃描儀坐標系中的姿態為？籽={？覬，？茲}，其中？覬和？茲分別代表水平角以及俯仰角，則由此可以得到掃描設備發射的激光光束方向向量表達式如式（2）所示。

ds=（2）

針對上述的激光光束方向向量，可以結合旋轉矩陣，將其所在的坐標系轉換為全局坐標系，具體轉換表達式如式（3）所示。

dg=R·dsR=（3）

式（3）中，R代表旋轉矩陣，dg代表全局坐標系下的激光光束方向向量。結合上文中求解得到的掃描儀到產品包裝表面的距離，可以得到激光光束目標點在全局坐標系下的坐標P（X，Y，Z），其具體表達式如式（4）所示。

P=O+d·ds==d·R·（4）

式（4）中，O代表LiDAR3D掃描設備在全局坐標系中的坐標位置，為便于分析，本文將的坐標設為原點，即O（0，0，0）。通過上述步驟即可完成對于產品包裝外觀圖像的掃描，從而獲得完整的激光點云數據?？紤]到采集環境以及采集設備與激光點云數據質量的影響，在完成圖像掃描后，本文通過結合統計濾波器，對數據中較為明顯的離群點進行剔除處理，從而實現點云數據平滑濾波[7]。假設點云數據中存在隨機點p（x，y，z），與該點距離最近的k個數據點p1，p2，…，pk之間的平均距離為davg，i，那么davg，i的均值？滋以及方差？滓滿足式（5）。

？滋=？滓=（5）

式（5）中，N代表davg，i集合中的元素個數。通過結合上述計算結果，對距離閾值進行設定，其距離閾值表達式為dmax=？滋+？琢·？滓。對于產品包裝外觀圖像激光點云集合中的每個數據點，如果該點與k個最鄰近點之間的平均距離davg，i高于設定的距離篩選閾值，則將該點視為離群點，對其進行剔除處理。剔除所有離群點后，即可輸出濾波后的點云數據[8]。

通過上述步驟即可完成對于產品包裝外觀圖像點云數據離群點剔除處理。使用LiDAR3D掃描設備對產品包裝外觀進行掃描，并結合激光光束的發射距離以及光束方向向量，構建出完整的激光點云數據集。然后通過計算點云數據的全局統計量，對距離閾值進行設定，從而識別出離群點。

1.2 產品包裝外觀圖像色彩補償處理

點云數據作為一種三維坐標系統中向量的集合，確實能夠精確地捕獲產品的三維形狀和結構。然而點云數據通常不包含顏色信息，這是其局限性之一。相對而言，產品包裝外觀圖像則能夠為我們提供豐富的顏色信息，使得產品的外觀更加生動和真實。由于拍攝條件（如照明、相機參數等）的差異，原始圖像中的顏色可能會出現偏差，這并不完全反映實際產品的顏色[9]。通過對原始圖像進行色彩補償處理，我們可以校正圖像中的色彩偏差，使圖像中的顏色更接近實際產品的顏色。在完成產品包裝圖像的點云數據提取后，結合色彩補償處理對原始圖像的色彩偏差進行校正是一個很有意義的嘗試。這樣的處理不僅可以提升圖像的質量，使產品包裝的外觀更加逼真，還有助于增強消費者對產品的認知和信任[10]。因此，在實際應用中，我們需要根據具體情況選擇合適的色彩補償算法和參數，以達到最佳的校正效果。

將讀取的產品包裝圖像分離出RGB三個顏色通道，對于每個顏色通道，通過計算該通道下所有像素的平均值，從而得到色彩增益系數。假設Ri、Gi、Bi分別代表三個色彩通道中每個像素的具體值，則像素平均值Rave、Gave、Bave計算公式如式（6）所示。

Rave=Gave=Bave=（6）

式（6）中，N代表色彩通道中的像素總數。然后引入局部調整因子，對色彩增益系數進行計算，具體公式如式（7）所示。

kglobal=（7）

式（7）中，？琢i代表局部調整因子，？滓local代表以（x，y）像素為中心的局部區域標準差，？滓global代表整個產品包裝外觀圖像的標準差[11]。將計算得到的增益系數應用到原始圖像的每個顏色通道上，以調整通道的色彩分布情況，本文以紅色通道為例，該通道下的色彩補償表達式如式（8）所示。

Rcomp，i=Ri·kglobal（8）

式（8）中，Rcomp，i代表補償后的色彩通道像素值。

通過上述步驟即可完成對于產品包裝外觀圖像的色彩補償處理。將讀取的產品包裝圖像分離出RGB三個顏色通道，并結合布局調整因子以及不同通道下的像素平均值，對全局色彩增益系數進行計算，并將其應用到每個顏色通道，實現色彩偏差的有效校正。

1.3 產品包裝外觀圖像多尺度細節銳化處理

考慮到在實際應用中，產品包裝圖像可能需要在不同的觀察條件下展示，如不同的屏幕尺寸、分辨率和亮度等，而色彩補償雖然能夠調整圖像的整體色彩，使其更接近真實或期望的視覺效果，但并不能直接增強圖像的局部細節和邊緣清晰度[12]。因此在完成圖像色彩補償處理后，為了使產品包裝外觀圖像的視覺質量更高，本文選擇對其進行多尺度細節銳化處理。

在每個尺度上，計算原始圖像與相應尺度低通濾波后的圖像之間的差異，從而提取出該尺度的細節信息。這些差異圖像包含了圖像的邊緣和細節信息。對于第i個分解尺度，其細節提取的公式如式（9）。

Di=I-Iilowpass（9）

式（9）中，I代表色彩補償后的產品包裝外觀圖像，Iilowpass代表第i個尺度上通過低通濾波器得到的圖像，Di代表該尺度上的細節圖像。對每個尺度上的細節圖像進行增強，以突出邊緣和細節。為了防止圖像出現區域過度銳化的情況，本文選擇使用一個權重函數來控制不同尺度上細節圖像的貢獻[13]。對于每個像素，其銳化后的像素值計算公式如式（10）所示。

S（x，y）=I（x，y）+ws（x，y）·ks·Ds（x，y）（10）

式（10）中，I（x，y）代表原始圖像像素值，N代表分解尺度數量，ks代表第s個分解尺度上的銳化增益系數，Ds（x，y）代表第s個尺度上的細節圖像像素值，ws（x，y）代表權重函數值。權重函數可以根據圖像的局部特性來調整不同尺度上細節圖像的貢獻[14]。對此，本文選擇結合圖像梯度的幅度或局部對比度來定義權重函數，其具體函數表達式如式（11）所示。

ws（x，y）=（11）

式（11）中，Gx（x，y）代表第s個尺度上包裝外觀圖像梯度幅度函數[15]。通過上述對權重函數進行定義，可以保證當某個像素在較小尺度上具有較高的梯度幅度時，它在銳化過程中將獲得更大的貢獻。最后，將銳化后的圖像進行整合，從而完成圖像增強處理。

通過上述步驟即可完成對產品包裝外觀圖像的多尺度細節銳化處理。通過結合圖像梯度對權重函數進行定義，并將其作為細節圖像中不同分解尺度貢獻度的衡量指標，實現多尺度銳化增強處理。將本節內容與上述提到的離群點剔除以及色彩補償等相關內容進行結合，至此，基于激光數字的產品包裝外觀圖像增強技術設計完成。

2 實驗論證

為了證明本文提出的基于激光數字的產品包裝外觀圖像增強技術在實際增強效果方面優于常規的產品包裝外觀圖像增強技術，在完成算法方面的設計后，通過構建實驗對比環節，對本文方法的實際增強效果進行檢驗。

2.1 實驗說明

為驗證本文提出的基于激光數字的產品包裝外觀圖像增強技術方面的優越性，本次實驗選取了兩組常規的產品包裝外觀圖像增強技術作為對比對象，分別為曲波變換方法[2]和三重注意力和多尺度金字塔結構方法[3]。通過構建實驗平臺，采用三種增強方法對同一組產品外包裝圖像數據集進行增強處理，對比不同方法的實際增強效果。

2.2 實驗對象

本次實驗所選取的產品外包裝圖像數據集來源于多個真實世界場景下的產品包裝圖像。為了確保數據的多樣性和真實性，本次實驗通過編寫定制的爬蟲腳本，從各大在線購物商城抓取商品詳情頁中的產品外包裝圖像。這些圖像通常展示了產品的真實外觀，且具有較高的分辨率和清晰度。此外，本文還從專業的數據提供商處購買了部分包含產品外包裝圖像的數據集。這些數據集經過嚴格的質量控制，具有較高的準確性和可信度。本次實驗所選取的數據集共包含15 000張產品外包裝圖像，覆蓋了80個不同的產品類別。大部分圖像的分辨率在800像素×800像素至2 000像素×2 000像素之間，確保了圖像的清晰度和細節表現。所有圖像均保存為JPEG格式，以保持較高的圖像質量和較小的文件體積。每張圖像均配有詳細的標簽信息，包括產品類別、品牌、顏色、材質等。

在對上述實驗數據集進行處理時，本文移除了任何模糊、損壞或無關的圖像，確保數據集中僅包含清晰、完整且與產品包裝相關的圖像。同時對原始圖像進行縮放、翻轉、旋轉、裁剪等操作，以生成更多的訓練樣本。在采用本文方法對圖像進行增強時，需要采用激光掃描設備對包裝圖像進行掃描，從而獲取點云數據。剔除數據中的離群點，設定距離閾值dmax為0.08，從而實現圖像去噪濾波處理，離群點剔除效果如圖1所示。

通過圖1可以看出，本文在完成包裝圖像的掃描后，通過點云數據離群點剔除操作，清晰了包裝圖像的邊界，從而優化了圖像質量增強效果。分別采用三種方法對圖像數據集進行增強處理，并對比增強后的圖像質量，從而實現增強效果的有效對比。

2.3 增強效果對比

采用本文方法進行圖像增強后，所得到的圖像增強結果如圖2所示。

通過上述實驗結果可以看出，本文方法可以有效校正原始圖像中的色彩偏差，并結合多尺度銳化手段對原始圖像進行細節上的銳化增強處理。為了提高實驗結果的對比性，本次實驗以不同圖像增強結果下的圖像峰值信息噪比作為衡量指標，對方法的實際增強效果進行比較。在針對相同圖像進行增強后，圖像的峰值信噪比越高，代表圖像失真程度越低，同時也能夠證明方法的增強效果越好，具體實驗結果如表1所示。

通過上述實驗結果可以看出，在針對相同的產品包裝圖像進行增強處理時，不同方法的實際增強效果也有所不同。通過數值上的對比可以明顯看出，在本文增強方法下，產品包裝外觀圖像的峰值信噪比明顯更高，說明圖像質量更好，由此可以證明本文方法的實際增強效果要優于兩種常規方法。

3 結束語

本研究通過激光數字技術的精準掃描和數字化處理，能夠以更高的分辨率和更豐富的色彩信息來捕捉產品包裝的每一個細節。這不僅有助于企業更全面地理解產品包裝的視覺特征，還能為后續的圖像增強處理提供更為精準的數據支持。通過結合先進的圖像處理算法和深度學習技術，能夠對圖像進行針對性的優化處理，從而顯著提升產品包裝外觀圖像的質量，使其更加生動、精美，更能夠吸引消費者的目光。

參考文獻：

〔1〕陳晨，孫琳.基于視覺傳達的低亮度激光圖像細節信息增強方法[J].激光雜志，2024，45（04）：135-140.

〔2〕丁超群.基于曲波變換的弱光照包裝圖像對比度設計增強方法[J].激光雜志，2024，45（04）：223-227.

〔3〕Sun K， Tian Y. Incorporating Triple Attention and Multi-scale Pyramid Network for Underwater Image Enhancement[J]. The international arab journal of information technology， 2023， 20（03）：387-397.

〔4〕張航，顏佳.語義分割和HSV色彩空間引導的低光照圖像增強[J].中國圖象圖形學報，2024，29（04）：966-977.

〔5〕陳輝，牛麗麗，付輝，等.基于多尺度殘差和注意力機制的圖像去霧算法[J].蘭州理工大學學報，2024， 50（02）：69-76.

〔6〕王奎，黃福珍.基于殘差融合的改進Retinex圖像增強算法[J].計算機應用與軟件，2024，41（04）：205-211+218.

〔7〕付煒平，趙智龍，孟榮，等.改進聯合雙邊上采樣濾波的Kinect深度圖像增強算法研究[J].制造業自動化，2024，46（02）：47-53.

〔8〕安芷楠，魏赟.結合灰度世界和Retinex的低照度圖像增強算法[J].小型微型計算機系統，2024， 45（02）：477-482.

〔9〕胡乘其，王書朋，王瑜婧.基于魯棒性主成分分析的低照度圖像增強算法[J].計算機應用與軟件，2024，41（02）：244-249.

〔10〕梁燕華，田訓鵬，蘆君珂.一種單參數同態濾波的煤礦井下圖像增強算法研究[J].礦業研究與開發，2024，44（02）：194-199.

〔11〕張亞邦，李佳悅，王滿利.基于HSV空間的煤礦井下低光照圖像增強方法[J].紅外技術，2024，46（01）：74-83.

〔12〕陳清江，王炫鈞，邵菲.基于多尺度殘差注意力網絡的水下圖像增強[J].應用光學，2024，45（01）：89-98.

〔13〕顧文娟，丁燦，魏金，等.基于雙邊濾波MSR與AutoMSRCR融合的低光照圖像增強[J].光學精密工程，2023，31（24）：3606-3617.

〔14〕游達章，陶加濤，張業鵬，等.基于灰度變換及改進Retinex的低照度圖像增強[J].紅外技術，2023，45（02）：161-170.

〔15〕趙康林，何敬民.基于視覺傳達技術的包裝設計圖像增強方法[J].現代電子技術，2021，44（13）：46-49.

收稿日期：2024-07-17

基金項目：2024年安徽省高等學校科學研究項目“地域文化在文創產品設計中的傳承與創新機制研究——以徽州文化為例”（2024AH052292）；2023年校級質量工程“產品藝術設計服務十大新興產業特色專業”（2023xtszy02）