邊 丹，廖 秦

(1.合肥科技職業(yè)學院 人文藝術系，合肥 230000；2.安徽建筑大學 藝術學院，合肥 230022)

隨著科學技術的高速發(fā)展，圖像識別與重建技術在越來越多的領域得到廣泛應用，同時也受到了來自對圖像質(zhì)量水平要求高的行業(yè)需求的挑戰(zhàn)[1-2]。傳統(tǒng)的圖像采集和圖像重建是提前標定一個精度較高的目標事物作為參照，攝像機建立參照物與目標圖像的相對關系，再通過導入計算機程序進行圖像數(shù)據(jù)優(yōu)化運算獲取圖像參數(shù)[3]。這種方法受目標圖像環(huán)境影響較大，容易出現(xiàn)無穩(wěn)定參照物、圖像目標繁多、設備難以定位等狀況[4-5]。虛擬現(xiàn)實(Virtual Reality，VR)技術是在20世紀產(chǎn)生發(fā)展的一種新型實用技術，集計算機技術、電子仿真技術于一體，主要是通過計算機模擬程序?qū)Ψ抡嬖O備進行操控，營造出仿真的虛擬環(huán)境，給人以沉浸式的體驗感受。目前VR技術在諸多行業(yè)的應用日益廣泛。

本文基于上述傳統(tǒng)圖像重建技術存在的問題，結(jié)合VR技術，對多視點圖像重建算法進行了研究設計，并總結(jié)基于虛擬現(xiàn)實技術的多視點圖像重建算法所具備的優(yōu)點。

1 基于攝像機標定的多視點圖像采集

圖像采集首先要根據(jù)攝像機的配置標準與目標圖像方位，對攝像機位置與標定情況進行調(diào)整確定，建立攝像機成像模型。成像的過程主要是選擇1個三維空間內(nèi)的目標點，通過攝像機成像模型投射在二維平面上。為達到較理想程度的成像效果，成像模型一般選用針孔成像模型，針孔成像模型如圖1所示。

(a)成像原理圖

由圖1可知，攝像機需要在多個不同的角度方位獲取目標對象的多視點圖像，在這個過程中攝像機和投影平面是可以移動的，以實現(xiàn)對目標圖像的動態(tài)捕捉[6-7]。

采集到的數(shù)據(jù)傳輸至計算機處理程序，通過對多個圖像樣本標點變化進行單應矩陣運算，將所得結(jié)果進行線性分析，得出攝像機與平面模板顯示的圖像的相關參數(shù)。采集操作的流程如圖2所示。

圖2 基于攝像機標定的多視點圖像采集流程

初始化是指對相機內(nèi)部各項參數(shù)進行計算，得出參數(shù)的閉式解。這個操作過程不考慮相機鏡頭參數(shù)情況，同時也排除因鏡頭畸變而影響其他部分參數(shù)的情況。

非線性優(yōu)化操作是在均值誤差最小的情況下，使圖像內(nèi)所有目標特征點的多次投影的標定誤差最小[8-9]。優(yōu)化步驟主要是：降低迭代梯度，進行雅可比矩陣封閉形式的運算，對標點參數(shù)進行非線性優(yōu)化。優(yōu)化后得到的數(shù)據(jù)結(jié)果(包括攝像機內(nèi)部參數(shù)以及平面模板的圖像標點參數(shù))保存在計算機數(shù)據(jù)庫相應的文件夾內(nèi)。

同時，攝像機程序會對攝像機采集圖像過程進行同步的圖像儲存[10-11]。將攝像機采集到的圖像信息錄入到攝像機內(nèi)處理程序，根據(jù)圖像采集的環(huán)境狀況(比如光影情況、噪點情況等)對圖像數(shù)據(jù)信息進行處理，提取有用的圖像特征信息，通過一定的分類標準進行信息的分類歸納，然后存儲到機內(nèi)數(shù)據(jù)儲存庫內(nèi)。圖像特征信息提取過如圖3所示。

(a)特征畸變過程 (b)特征映射過程

2 基于VR技術的多視點圖像重建

基于VR技術對多視點圖像進行重建需要獲取圖像的輪廓圖。獲取圖像輪廓首先要對目標圖像進行圖像背景分離，然后將圖像導入計算機圖像處理程序，通過背景減法分析運算，將目標事物圖像與背景圖像進行多標點對比，識別背景范圍，進行圖像分割完成背景分離，并對背景圖像進行數(shù)據(jù)儲存[12-13]。這種方法的操作原理是將多幅目標事物圖像進行對比分析，特征點以外的相似部分則屬于圖像背景。該方法對圖像拍攝環(huán)境要求較低，但對圖像中的光影色彩變化的識別處理能力也比較弱，容易產(chǎn)生背景誤判的情況，比如將顏色相似的前景事物與背景混淆。這種情況常出現(xiàn)在事物產(chǎn)生面積與背景部分重合的時候，因而無法清晰地將事物與背景進行圖像劃分。

多視點圖像背景如圖4所示。

(a)前置背景特征

在確定多視點圖像背景后，進行特征點的檢測提取。特征點是根據(jù)目標圖像進行標定的、穩(wěn)定的、能克服灰度反轉(zhuǎn)的特征標點。根據(jù)特種點進行匹配，能夠減少計算量，對圖像的灰度信息影響很小，而且匹配精準度高，適用性強，對于相似度較低的圖像素材也能夠行較為準確的圖像匹配。本文選取了尺度不變特征轉(zhuǎn)換算法(Scale-invariant feature transform，SIFT)進行特征點的檢測和提取，主要流程如圖5所示。

圖5 特征點的檢測和提取流程

在平面模板上設定坐標系，成像公式為：

通過矩陣映射確定特征點，在特征點提取完成后，根據(jù)圖像特征點和相應的SIFT局部特征描述子進行圖像的特征匹配。以一幅圖像為基礎，選取其中任意一個特征點，在其他圖像素材中尋找與其相似的特征點，將其進行匹配運算，如果相似度在匹配范圍內(nèi)，則成為一組匹配特征點。此時的多視點圖像特征點匹配基本完成，刪除主要特征點以外的圖像標點，再對匹配后的圖像進行細節(jié)修改和調(diào)整，并進行圖像備份與儲存[14-15]。

3 實驗研究

為了驗證本文提出的基于虛擬現(xiàn)實技術的多視點圖像重建算法，與傳統(tǒng)算法進行實驗對比。重建實驗環(huán)境如圖6所示。

圖6 重建實驗環(huán)境

設置實驗參數(shù)如表1所示：

表1 實驗參數(shù)

根據(jù)上述實驗參數(shù)，選取本文算法與傳統(tǒng)的基于數(shù)據(jù)挖掘的多視點圖像重建算法(算法1)、基于信息分析的多視點圖像重建算法(算法2)進行實驗對比，得到的重建時間實驗結(jié)果如圖7所示。

(a)本文算法

由圖7可知，本文算法重建延時遠遠小于傳統(tǒng)算法，重建能力更強。

重建清晰度實驗結(jié)果如圖8所示。

圖8 重建清晰度實驗對比結(jié)果

由圖8可知，本文算法的重建清晰度始終高于傳統(tǒng)重建算法。

4 結(jié)語

本文算法管理成本較低，提高了資源的利用率。能夠與多種類型的資源平臺進行資源共享和數(shù)據(jù)傳輸，可操作的功能齊全，性能良好，且具有資源數(shù)據(jù)保護機制，用戶能夠?qū)崿F(xiàn)較為自由的操作。具有應用保護，安全性強。綜上，本文算法具有很強的圖像重建能力，能夠很好地實現(xiàn)信息分析，進而完成圖像重建。