虚拟图像特征融合误差控制算法仿真

时间：2024-05-04

庄佳,石林

(常州大学,江苏常州 213164)

1 引言

VR技术是在数字技术的帮助下产生虚拟图像[1]的一种方法,利用VR技术可创造出现实世界无法呈现的场景,为消费者带来全新的感官体验,VR技术获取图像的途径主要是图像特征融合[2,3],但VR技术应用过程中不可避免会产生一定的图像场景重建误差,在校正这些误差的过程中,很多数量较少且不明显的误差容易被忽略,导致虚拟场景图像的误差校正效果不理想。

吕丽军[4]等人首先利用光学系统的主光线将错误图像与正确图像一起投影到平面上,获取两者之间的曲线,其次对曲线进行拟合并计算出该曲线的逆函数,从而复原带有误差的图像,实现图像误差校正。段静彧[5]等人首先将图像转换成数字信号,并对信号进行视差函数配准,完成图像模板匹配,将其视为图像误差校正的基础,其次计算出图像的实际误差,将误差进行插值处理,以此生成误差补偿结果,实现图像误差校正。

以上二种方法均没有提前预测VR图像特征融合误差,导致在计算过程数据量巨大,同时提高错误校正发生率,大大加长校正时间,存在校正准确率低、误差预测准确性低、校正所需时间长和校正效果差的问题。

为了解决上述算法中存在的问题,提出VR图像特征融合误差半监督校正算法。经研究发现,机器学习可有效提高校正精度,机器学习是人工智能的主要表示,其中的半监督式学习可通过推导部分数据获取,经过训练将相同的误差类别分类到一起进行校正,加强整体校正精度。

2 VR图像特征融合误差预测

对于已经完成特征融合[6,7]后的VR图像其中不可避免会出现融合误差,因此完成图像融合后还需进行误差校正[8],为最大程度提高校正精度,需对可疑区域完成定位进而完成图像特征融合误差的预测[9,10]。

2.1 VR图像特征提取

卷积神经网络[11]是目前最高效的误差定位方法,由于卷积神经的特殊组成结构可分别完成定位所需的内容,从而提高定位精度,通过卷积神经网络训练模型提取出图像特征,在网络模型的反向传播特性以及误差函数的帮助下调整神经网络参数,其中误差函数的表达式为

(1)

基于误差函数以及网络训练模型对图像特征进行提取,首先将原始图像转换成HSV模式以此提出图像的颜色特征向量,为减少直方图维数以此增强校正效率,可均匀量化图像的颜色空间,将图像颜色特征进行加权归一化处理[12]后得出图像特征,其结果表达式为

H=βHa+Hb(1-β)

(2)

式中,Ha表示图像误差区域直方图特征,Hb表示没有误差区域的直方图特征,β表示相应图像区域的面积,H表示经过归一化处理后的图像特征。

除颜色以外的特征在提取时可将无误差的图像与有误差的图像进行映射,通过计算两种图像之间的映射函数完成特征提取[13,14],其映射计算公式为

C(x)→NTm

(3)

式中,C(x)表示映射函数,N表示目标图像的特征数量,Tm表示实数向量。

通过映射生成误差图像的空间维数计算公式为

W=ε(1+e)2

(4)

其中,W表示带有误差特征的图像空间维数,ε表示空间维度向量,e表示映射参数。

进而计算出特征融合图像的向量,其运算表达式为

p=Bi(x)·WC(x)

(5)

式中,p表示图像的向量,Bi(x)表示第i个图像的特征。

根据式(5)即完成图像的特征提取。

2.2 图像特征融合误差定位

根据提取出的特征进行误差区域相似度的计算,在相似度计算结果的帮助下对每类相似的特征进行分类,并运算出不同区域之间的距离,在特征相似度计算中欧式距离是最有效的计算方法,其中区域距离的表达式可设置为

F(c,d)=(Hc-Hd)TA(Hc-Hd)

(6)

式中,F(c,d)表示特征区域c和特征区域d之间的欧式距离,A表示特征相似矩阵,即特征维数之间的联系权重,T表示特征向量。

假设特征之间的相似度为akj,其表达式为

(7)

式中,fkj表示特征k和j之间的距离,fmax表示特征间的最长距离。

为更好描述图像特征间的相似性,同时明确定位出误差区域,定义出参考区域的距离,其表达式为

(8)

式中,Oi表示参考区域距离,φ表示特征点的权重向量,V表示图像特征。

通过计算特征间的距离并对其进行加权处理,得出最符合图像的平滑因子,进而得出特征相似度,特征相似度就是经过外部加权归一化处理后的特征欧式距离,其表达式为

Dis(a,b)=F(a,b)(1-γ)+γF(a,b)

(9)

式中,Dis(a,b)表示特征间的相似度,γ表示归一化参数。

根据相似度公式计算出特征间距离,并与参考区域距离进行比较,若大于参考距离,则进行标记,从而定义出可疑区域。

2.3 图像特征融合误差预测

在可疑区域中预测出存在误差的图像区域,即将标记出的可疑区域视为目标区域进行预测,首先构建图像训练样本与预测样本之间的多元线性回归矩阵,其表达式为

(10)

其中,κ表示多线性回归系数,τ表示各个样本的残差值,r表示与目标样本相邻的样本像素。

其中回归系数κ的运算表达式为

κi=(YTY)-1YTY

(11)

其中,T表示转置符号。

进而计算出图像融合特征的预测值,其表达式为

r′a,b=J(τ1ra,b-1+τ3ra-1,b+τ2ra-1,b-1)

(12)

其中,J表示每种特征的评价分数,r表示图像特征融合误差预测样本。

将目标预测样本与全新样本预测值进行比较即可生成VR图像特征融合的误差预测值,其运算表达式为

D1=round(ra,b-r′a,b)

(13)

式中,D1即为误差预测值。

3 图像特征融合误差半监督校正

半监督式学习算法[15]在机器学习中是较为容易实现的一种算法,它可以忽略数据是否被标记的同时完成数据的分类,加强系统的泛化能力,半监督式误差校正可通过少量被标记以及大量未被标记的样本进行训练完成误差校正,即在预测的误差数据中提取训练样本,并在半监督式学习下对样本的特征信息进行分类。

为加强分类精度,基于VR图像特征融合的误差预测值,在半监督式学习下添加支持向量机,首先对预测数据中已被标记的数据进行分类,假设预测数据中被标记的数据集合为(y1,z1),(y2,z2),…,(yn,zn),未被标记的数据集合为y′1,y′2,…,y′3,其中支持向量机的公式如下所示

(14)

其中,B表示支持向量机的参数,C表示支持向量机中的影响因素,i和j均表示1～n的正整数,v表示特征的权重,φi表示分类系数。

通过半监督式学习算法对分类器进行训练,生成误差特征的期望向量以及方差向量,其表达式如下所示

(15)

当i和n相等,即可得出分类器,否则重新选取标记的样本进行训练直至i和n相等得出分类器。

利用训练出的分类器对大量未被标记的数据进行分类,在预测误差样本中任意选取未被标记的样本进行分类,为更加贴近未被标记的样本,需在已生成的分类器的基础上进行修改,即将式(15)优化成下列式子

(16)

通过式(15)和(16)分类器对标记的误差数据以及未标记的图像误差数据进行分类即可获取最具影响力的结果。

VR图像由于特征融合错误导致的图像误差是系统固有的,因此也将这种误差称之为系统误差,根据VR技术得出这种误差的数学模型公式为

fd(z)=fc(z)fs(z)

(17)

其中,fd(z)表示分类出的误差图像区域,fs(z)表示原始VR图像,fc(z)表示特征融合误差函数,z表示图像中特征点。

进而得出特征融合误差就是乘性误差,这种误差的校正最优方法就是系统校正,通过上式可知原始图像的生成公式为

(18)

利用上式对原始图像的复原较为困难,为方便运算可提前设定条件进行还原,假设VR图像中所有特征融合误差种类相同,设误差为j,此时的原始图像表达式为

(19)

将每种误差进行设定,根据上式计算出每种误差的修正系数,以此完成误差校正。

4 实验结果与分析

对所提算法、文献[4]算法和文献[5]算法进行校正准确率、误差预测准确性、校正所需时间和校正效果进行测试,设计仿真。具体测试结果如下所示。

4.1 校正准确率指标

VR图像特征融合误差校正算法必须保证校正精度,为验证所提算法的优劣,对所提算法、文献[4]算法以及文献[5]算法的校正准确率进行比较。

现在同一环境下选取带有不同误差类型的VR图像,分别通过三种算法进行校正,将校正结果准确率进行比较,其结果如图1所示。

图1 不同算法下的校正准确率

为保证实验真实性,分别对十组不同的误差进行校正,根据实验结果可看出,每组实验结果均是所提算法的准确率最高,其余两种算法的实验结果准确率均远远低于所提算法,因为所提算法在进行误差校正前对误差数据进行预测,提前将数据量降低,使得后续的校正计算仅仅在预测数据中进行校正即可,保证校正效率,降低将正确融合特征视为误差的概率,从而提高校正精度。