| 标题 | 图像修复技术在环境艺术设计中的应用研究 |
| 范文 | 黄洋 摘 要： 在环境艺术设计中，需要对环境信息缺失部分进行有效修复，提高环境艺术的信息表达能力。提出一种基于块与块阵稀疏度匹配的图像修复技术，并应用在环境艺术设计中。在仿射不变子空间中对采集的环境艺术图像进行块匹配，采用模板匹配技术进行图像破损区域的边缘像素点提取，以边缘像素点为信息定位中心，提取环境艺术图像破损区域的边缘轮廓，根据边缘轮廓的像素点分布阵列的稀疏度差异性进行块匹配，在最佳修复块区域内进行环境艺术图像的纹理信息复原，提高环境艺术的鉴别和分辨能力。仿真结果表明，采用该方法进行图像修复能有效修复环境艺术图像的缺失部分，避免边缘模糊化，输出图像的信息饱含度较高，说明环境艺术的表达能力较强，在环境艺术设计中具有很好的应用价值。 关键词： 图像修复； 环境艺术设计； 稀疏度； 塊匹配； 像素； 边缘轮廓 中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2018）11?0050?05 Application of image restoration technology in environmental art design HUANG Yang （Aba Teachers University， Wenchuan 623002， China） Abstract： In order to restore the missing environmental information in environmental art design effectively， and improve the information expression ability of environmental art， an image restoration technology based on block and block matrix sparsity matching is put forward， and applied to the environmental art design. The block matching is performed for the acquired environmental art image in the affine invariant subspace. The template matching technology is used to extract the edge pixel points of the image damaged area. The edge pixel point is taken as the information positioning center to extract the edge contour of image damaged area of environmental art. According to the sparsity difference of pixel points distribution array of the edge contour， the block matching is performed for the edge contour. The texture information of environmental art image in the best restiration area is restored to improve the distinguishing and identification abilities of environmental art. The simulation results show that the method used for image restoration can restore the missing section of the environment art image effectively， avoid the edge fuzzification， and has high information content of the output image， which indicates that the method has strong expressive ability of the environment art and high application value in the environment art design. Keywords： image restoration； environmental art design； sparsity； block matching； pixel； edge contour0 引 言 环境设计是一门艺术，始于20世纪80年代末，环境设计也称为环境艺术设计，它是通过一定的组织、围合手段进行建筑物结构、绿化、灯光、室内空间构造以及家居饰物的布置和雕塑等的配置，进行艺术表达的一种方式，使建筑物的室内外空间更加具有美感。采用图像图形处理技术进行环境艺术设计，能提高环境艺术设计的智能性和实时性，相关的设计方法研究具有广阔的应用前景[1]。 在环境艺术设计中，信息采集的缺失和人们的视觉差异性容易导致环境信息的丢失，因此，需要进行环境信息修复和补缺，提高环境艺术设计中的图像表达能力，对于环境设计中的信息丢失区域，可以通过信息完好区域的先验知识进行图像填充和修复，保障环境设计中的信息表达准确性。因此，研究基于图像修复的环境艺术设计方法，在实现环境艺术智能设计方面具有重要意义，相关的图像修复方法研究受到人们的极大重视[2]。当前，对环境艺术设计中的图像修复方法主要利用图像中完好区域的有效信息进行环境缺失区域的信息填充方法，结合边缘轮廓特征提取方法进行图像缺失区域的轮廓检测，取得了较好的图像修复效果。根据上述原理[3]，相关文献进行了图像修复算法研究，取得了一定的成果。其中，文献[4]中提出一种基于偏微分方程原理（Partial Differential Equation，PDE）的图像修复方法，采用偏微分方程进行图像信息缺失区域的梯度域表征，采用结构信息复原方法实现对环境艺术图像的修复，在环境空间区域设计中具有很好的应用价值，但该修复方法是对纹理缺失区域的线性相加，对大规模非线性图像修复的有效性不好；文献[5]中提出一种基于梯度和梯度的对数匹配的图像修复方法，建立图像纹理传导区域的动力学模型，实现对信息破损区域的块稀疏度匹配，结合样本库的边缘轮廓特征进行模板特征匹配，取得了较好的修复效果，但该方法对稍大的破损面积修复时，容易出现虚假边缘；文献[6]中提出一种基于结构传播模型的环境艺术特征修复方法，选择合适的模板尺寸确定待修复图像的视觉质量和面积，通过子空间变换进行图像破损点检测，实现图像的纹理合成与结构信息传播，在环境艺术设计中具有很好的应用性，但该修复方法不能有效地估计出待修复点的光泽强度和边缘细节。 针对上述问题，本文提出一种基于块与块阵稀疏度匹配的图像修复技术，并应用在环境艺术设计中。首先在仿射不变子空间中对采集的环境艺术图像进行块匹配，提取边缘像素点，构造待修复部位的边缘轮廓，根据边缘轮廓的像素点分布阵列的稀疏度差异进行块匹配。然后进行纹理信息复原，提高环境艺术的鉴别和分辨能力。最后进行仿真实验，得出有效性结论，展示了本文方法在提高图像修复能力方面的优越性。1 环境艺术设计中的预处理1.1 图像采集方法设计 为了实现对环境艺术设计中的图像修复，首先需要采用图像传感信息搜集方法进行图像采集，图像采集分为如下幾个步骤：首先以边缘像素点为中心搜集环境艺术图像边缘轮廓中心，以边缘中心像素点[p]为中心得到环境艺术设计中图像待修复区域的块位[Ψp，]艺术设计的信息表达的置信度和数据项为： [C（p）=x∈Φ?ΨpI（x）Ψp] （1） [D（p）=?I⊥p×np×cosαM] （2） 式中：[x]表示在待修复块[Ψp]与环境艺术设计的信息表达区域[Φ]交集处的像素点，初始化已知信息的像素点[x]的置信度[I（x）=1，]待修复块[Ψp]的大小为[s×s，]若点[x]是未知信息的像素点，得到边缘像素轮廓特征的置信度为[I（x）=0；][Ψp]表示[Ψp]块内总的像素点个数；[M]为待修复块中像素点的归一化系数，一般设置为255。 然后假定待修复图像的尺寸为[m×n，]计算环境艺术设计中图像修复块[Ψp]的优先级系数[P（p）]为： [P（p）=C（p）×D（p）] （3） 显然，[Ψp]的修复关联系数[P（p）]由[C（p）]和[D（p）]的平均互信息量决定，根据复块[Ψp]的模板大小确定环境艺术设计中的修复区域大小，得到待修复块的优先级判定过程如图1所示。 根据图1所示的优先级判定过程确定修补块[Ψp]的优先级，进行修复区域的边缘像素点寻迹跟踪和信息融合，直至所有像素点遍历完为止，完成环境艺术设计中的图像采集。1.2 图像块匹配 在进行环境艺术设计中的图像采集基础上，在仿射不变子空间中对采集的环境艺术图像进行块匹配[7]，在环境艺术设计图像的信息完整区域[Φ]内确定待修补的边缘子空间块[Ψp]的互信息模板为[Ψ′p]，以及用[Ψ′p]来替代[Ψp]进行自相关匹配操作，得到环境艺术设计图像中具体的[Ψ′p]在仿射不变区域中的样本块[Ψq]（[Ψq?Φ]），用样本模板覆盖图片后进行像素加权，并进行最佳匹配块的搜寻查找，确保结构信息较强的待修复块[Ψ′p]块满足： [Ψ′p=argminΨq?Φd（Ψp，Ψq）] （4） 式中：[Ψq]表示完好区域中搜索的样本块；[d（Ψp，Ψq）]表示待修补块[Ψp]中已知像素点样本块[Ψq]中的特征差异值。根据修复图像对应像素点的方差和（Sum of Square Differences）进行均匀遍历[8]，搜索出最佳匹配块[Ψ′p]，当遍历所有的样本块后计算像素特征强度最小的覆盖区域值[Ψq]就是此时的最佳匹配块[Ψ′p，]如果原先未知信息样本块[Ψ″p]不是[Ψp]最佳匹配块[Ψ′p，]继续遍历[O（nma2+9s2）]次，其中粗略搜索遍历的次数为[O（mna2），]得到图像破损区域块匹配的示意图如图2所示。 图2中，待修复块图像的细节特征量[Ψp]满足如下传导近似值： [I（xi+Δx，yi+Δy）≈I（xi，yi）+Ix（xi，yi）Iy（xi，yi）ΔxΔy] （5） 式中[x，y∈（0，1，2，…，L-1），]表示环境艺术设计中的图像空间分布梯度值。进一步更新修复后点[y]的置信度，得到边缘分割的状态中心量为： [I（y）=C（p），?y∈Ψp?Ω] （6） 通过式（6）可知，待修复的环境艺术图像的中心块被修复后，影响接下来待修复块的像素点[y]的置信度[I（y）]，以步长[a]进行块匹配，更新步长为[Ψp，]边缘轮廓区域检测的置信度为[C（p）]（[0 式中[at=log1βt]，表示图像修复的模板匹配阈值系数。对原先[Ψp]的置信度[C（p）]赋值，得到环境艺术设计过程中图像修复的中心特征量为[x1，x2，…，xN。]为了减小亮度的变化对环境艺术设计图像修复过程中边缘扰动的影响，在仿射不变特征子空间中，采用边缘线性特征分割方法进行环境艺术设计图像分割[10]，得到图像分割线，标记为[Hx=-jωxω]和[Hy=-jωyω，]其中[ω=（ωx，ωy）]表示优先级系数，在[N×N]块区域内，利用边缘像素点的中心区域误差进行量化特征分析，令[fx]和[fy]为梯度方向上环境艺术设计修复图像在几何轴[x]方向和[y]方向的边缘轮廓特征量，利用优先级匹配方法进行主分量加权，根据优先级系数确定未知像素点的梯度信息： [?f=GxGy=?f?x?f?y] （8） 按照样本模板尺寸求得环境艺术中待修复图像的灰度信息与梯度信息，并进行自相关特征匹配和信息融合处理，通过[Ψ″q]的位置来确定梯度向量的模为： [GA=G2x（A）+G2y（A）] （9） 式中[Gx（A）]和[Gy（A）]是原先未知信息的像素点[A]的梯度分量。通过[Ψ″q]的位置来确定最大边缘像素点的分布误差，可得到样本模板尺寸为： [EyeMapC（i，j）=floor0.2×255-f（x，y）+0.8*GA（i，j）] （10） 在最佳匹配块区域确定的基础上，以步长1进行边缘轮廓搜索，进行修复块的区域定位。2.2 环境艺术图像的纹理信息复原 在提取环境艺术图像破损区域的边缘轮廓的基础上，根据边缘轮廓的像素点分布阵列的稀疏度差异性进行块匹配，将每张环境艺术设计图像沿梯度分量分割成大小相等的块结构，图像破损区域的边缘轮廓像素点用[τs（tr）]表示，得到环境艺术设计图像的最佳匹配块区域分布为： [τk（ti）：τk≥4，i=2，…，τk-2；k=1，2，…，K] （11） 在仿射区域进行环境艺术设计图像修复后图像的视觉效果评判，在旋转坐标下寻找新边缘像素点，用平面二次曲线拟合环境艺术设计图像的区域轮廓曲线[11]为： [F（B，X）=B?X=ax2+bxy+cy2+dx+ey+f] （12） 式中：[B=[a，b，c，d，e，f]T；][X=[x2，xy，y2，x，y，1]T]。 采用未知信息像素点局部二值化分解方法进行环境艺术设计图像的面部特征提取和局部特征分解，表示为： [h（x，y）=12πσβexp-12x2σ2+y2β2?exp2πjUx+Vy] （13） 式中：[x=xcos?+ysin?；][y=-xsin?+ycos?；][x]轴与[y]轴的标准方差分别为[σ]和[β；][Ux]与[Vy]是搜索[Ψp]最佳匹配块的横向和径向特征分量；角度[?]为最佳修复块区域内图像区域投影的方位角。根据图像修复过程中的优先级系数确定图像样本的标准误差为[θ=tan-1（VU）]，初始化权重，当[yi=1]时，[w1，i=12m，]根据边缘轮廓像素点分布阵列的稀疏度差异性进行块匹配，得到在最佳修复块区域内进行环境艺术图像的纹理信息提取结果为： [xy1=1000δ*sinαsin（α-θ）n2cosα-δ*nose*sinαsin（α-θ）001xy1] （14） 计算在最佳修复块区域内进行环境艺术图像的纹理信息灰度值，得到未知像素点置信度更新的迭代矩阵为： [xy1=1000δ*sinαsin（α+θ）n2cosα-δ*nose*sinαsin（α+θ）001xy1] （15） 式中：[θ]为原先未知信息的像素点[y]的置信度；[α]为优先级系数；[nose]代表匹配块粗略搜索的步长；[δ]为松弛因子。 综上处理在最佳修复块区域内进行环境艺术图像的纹理信息复原，提高环境艺术的鉴别和分辨能力。实现过程简要描述如下： 1） 读取待修复的环境艺术设计图像，确定待修复区域[Ω，]破损边缘[?Ω]以及环境艺术设计的特征分布像素点； 2） 根据已修复完[t]块待修复块中心的特征量确定待修复块的优先级系数，提取环境艺术图像破损区域的边缘轮廓，确定待修复块[Ψp]； 3） 在待修复块[Ψp]确定后，在最佳修复块区域内进行环境艺术图像的纹理信息复原，其中迭代步长为[a，]在最佳修复块区域内的样本块[Ψ″q，]根据待修复块优先级判定式来确定最佳匹配块区域； 4） 基于快速搜索方法得到最佳匹配块区域，确定修复区域的边缘轮廓，通过以步长1进行局部搜索，得到修复后的图像复原区域[Ψ′p]之后用[Ψ′p]来修复[Ψp]；迭代直到满足收敛条件，完成环境艺术设计中的图像修复。3 实验与结果分析 为了测试本文方法在实现图像修复和环境艺术设计中的应用性能，进行实验，实验的硬件测试平台为：CPU为Intel的E8400（四核），GPU为NVIDIA GeForce GTX280，Core i5 8th Gen，仿真软件为Matlab 7，图像修复中的迭代步长取固定值为16，块分配的大小为12×12，环境艺术设计中图像采集的分辨率为10 000×10 000， 修复区域矩形块的边长为2.4，图像采集的曝光时间为12 s，光圈大小设定为F14，像素灰度失真的强度系数为[ε]=0.25，修复区域的边缘轮廓长度为104，图像修复中横向分量和径向分量的标准方差[σ]和[β]分别为0.23和0.18。根据上述仿真环境和参量设定，进行环境艺术设计中的图像修复仿真。以桥梁环境艺术设计为例，得到原始图像采集如图3所示。 分析图3的原始图像可见，由于光学传感设计进行图像采集出现了模糊边缘和噪点，导致图像成像效果不好，环境艺术设计的效果不佳，需要进行图像修复处理，提高桥梁以及灯光环境设计的成像效果。采用本文方法进行图像修复，提取边缘像素点和边缘轮廓，在最佳修复块区域内进行环境艺术图像的纹理信息复原，分别在暖光和冷光背景下实现图像修复，得到环境艺术设计效果图如图4和图5所示。 分析图4和图5的设计效果图得知，无论是在冷光还是暖光背景中进行图像修复，都能有效恢复图像的信息缺失区域，实现图像复原，避免边缘模糊化，提高了环境艺术设计的鉴别和分辨能力。4 结 语 本文提出基于块与块阵稀疏度匹配的图像修复技术，并应用在环境艺术设计中，进行环境艺术设计中的图像采集和图像块匹配预处理，根据修复图像对应像素点的方差和进行图像像素特征的均匀遍历，采用未知信息像素点局部二值化分解方法实现环境艺术设计图像的面部特征提取和局部特征分解，在仿射区域进行环境艺术设计图像修复后图像的视觉效果评判。在冷光和暖光背景下进行图像修复和桥梁环境艺术设计仿真分析，仿真结果表明，采用本文方法进行图像修复的视觉表达效果较好，修复质量较高，图像信息饱含度较高，环境艺术设计效果更好。 参考文献 [1] 郭丙华，岑志松.小波去噪和神经网络相融合的超分辨率图像重建[J].激光杂志，2016，37（2）：61?64. GUO Binghua， CEN Zhisong. Super resolution image reconstruction based on wavelet denoising and neural network [J]. Laser journal， 2016， 37（2）： 61?64. [2] 毛珩，TAO Louis，陈良怡.自适应光学技术在深层动态荧光显微成像中的应用和发展[J].红外与激光工程，2016，45（6）：9?15. MAO Heng， TAO Louis， CHEN Liangyi. Application and development of adaptive optics to three?dimensional in vivo deep tissue fluorescent microscopy [J]. Infrared and laser enginee?ring， 2016， 45（6）： 9?15. [3] 潘宗序，禹晶，胡少兴，等.基于多尺度结构自相似性的单幅图像超分辨率算法[J].自动化学报，2014，40（4）：594?603. PAN Zongxu， YU Jing， HU Shaoxing， et al. Single image super resolution based on multi?scale structural self?similarity [J]. Acta automatica sinica， 2014， 40（4）： 594?603. [4] MEHER S K. Recursive and noise?exclusive fuzzy switching median filter for impulse noise reduction [J]. Engineering applications of artificial intelligence， 2014， 30（3）： 145?154. [5] HSIEH M H， CHENG F C， SHIE M C， et al. Fast and efficient median filter for removing 1?99% levels of salt?and?pepper noise in images [J]. Engineering applications of artificial intelligence， 2013， 26（4）： 1333?1338. [6] 谭海鹏，曾炫杰，牛四杰，等.基于正则化约束的遥感图像多尺度去模糊[J].中国图象图形学报，2015，20（3）：386?394. TAN Haipeng， ZENG Xuanjie， NIU Sijie， et al. Remote sen?sing image multi?scale deblurring based on regularization constraint [J]. Journal of image and graphics， 2015， 20（3）： 386?394. [7] ZHANG Z， GANESH A， LIANG X， et al. TILT： transform invariant low?rank textures [J]. International journal of computer vision， 2012， 99（1）： 1?24. [8] 黄光亚，曾水玲，张书真，等.基于三维轴距的图像去噪算法[J].电子与信息学报，2015，37（3）：552?559. HUANG Guangya， ZENG Shuiling， ZHANG Shuzhen， et al. Image denosie algorithm based on three?dimensional axis distance [J]. Journal of electronics & information technology， 2015， 37（3）： 552?559. [9] CHEN Y C， LIN Z H， ZHAO X， et al. Deep learning?based classification of hyperspectral data [J]. IEEE journal of selected topics in applied earth observations and remote sensing， 2017， 7（6）： 2094?2107. [10] WAN L J， TANG K， LI M Z， et al. Collaborative active and semisupervised learning for hyperspectral remote sensing image classification [J]. IEEE transactions on geoscience and remote sensing， 2015， 53（5）： 2384?2396. [11] 李卓，刘洁瑜，李辉，等.基于ORB?LATCH的特征检测与描述算法[J].计算机应用，2017，37（6）：1759?1762. LI Zhuo， LIU Jieyu， LI Hui， et al. Feature detection and description algorithm based on ORB?LATCH [J]. Journal of computer applications， 2017， 37（6）： 1759?1762. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。