耿明萌

（安徽工貿(mào)職業(yè)技術(shù)學(xué)院藝術(shù)與傳媒學(xué)院，安徽 淮南 232007）

隨著計(jì)算機(jī)與多媒體技術(shù)的發(fā)展，動(dòng)畫(huà)產(chǎn)業(yè)迅速崛起，成為受歡迎的新興產(chǎn)業(yè)。數(shù)字動(dòng)畫(huà)的播放時(shí)間不長(zhǎng)，但是在數(shù)字動(dòng)畫(huà)的處理過(guò)程中，需要對(duì)每一幀進(jìn)行渲染，從而保證數(shù)字動(dòng)畫(huà)的播放效果。在數(shù)字動(dòng)畫(huà)渲染處理的過(guò)程中，由于渲染并不是同步進(jìn)行，數(shù)字動(dòng)畫(huà)單幀圖像的邊緣像素特征容易受到擾動(dòng)，導(dǎo)致數(shù)字動(dòng)畫(huà)圖像出現(xiàn)明顯畸變現(xiàn)象。畸變現(xiàn)象的產(chǎn)生會(huì)嚴(yán)重影響數(shù)字動(dòng)畫(huà)圖像的質(zhì)量，為此需要對(duì)數(shù)字動(dòng)畫(huà)圖像的畸變進(jìn)行校正，從而提高數(shù)字動(dòng)畫(huà)圖像的美觀性。因此，數(shù)字動(dòng)畫(huà)圖像畸變校正方法的研究在提高數(shù)字動(dòng)畫(huà)圖像畸變校正方面具有重要意義［1］。

對(duì)數(shù)字動(dòng)畫(huà)圖像的畸變校正建立在數(shù)字動(dòng)畫(huà)圖像特征分析和灰度直方圖信息分析的基礎(chǔ)上，結(jié)合數(shù)字動(dòng)畫(huà)圖像目標(biāo)信息的跟蹤結(jié)果，進(jìn)行數(shù)字動(dòng)畫(huà)圖像畸變校正［2］。何志東等［3］提出基于拼接算法的圖像畸變校正方法，通過(guò)對(duì)圖像進(jìn)行平面投影處理，得到有多個(gè)重復(fù)視野區(qū)域的圖像塊；以圖像塊為基礎(chǔ)，根據(jù)拼接算法中的半投影變換算法構(gòu)造畸變校正方程，完成圖像畸變校正處理，但是該方法校正后，圖像中仍存在明顯畸變情況。戴雯惠等［4］提出基于改進(jìn)透視變換的圖像畸變校正方法，該方法以透視變換的原理為基礎(chǔ)，將畸變圖像上的點(diǎn)變換映射到參數(shù)空間中，提取出圖像中的非畸變線條；以非畸變線條提取結(jié)果為基礎(chǔ)，構(gòu)建徑向畸變模型，并計(jì)算線條之間的距離，得到畸變坐標(biāo)；通過(guò)對(duì)坐標(biāo)進(jìn)行校正，完成畸變圖像的校正，但該方法校正后，輸出圖像的信噪比較低，導(dǎo)致圖像的質(zhì)量下降。周潔靜等［5］提出基于改進(jìn)梯度霍夫變換的圖像畸變校正方法，對(duì)發(fā)生畸變的圖像進(jìn)行濾波處理，以初步提高圖像的質(zhì)量；通過(guò)梯度運(yùn)算原理對(duì)霍夫變換進(jìn)行改進(jìn)，采用改進(jìn)后的霍夫變換對(duì)圖像發(fā)生畸變位置的頂點(diǎn)進(jìn)行檢測(cè)；根據(jù)檢測(cè)到的頂點(diǎn)，采用灰度插值進(jìn)行畸變校正，但該方法校正后圖像的適應(yīng)性不足。

針對(duì)上述傳統(tǒng)圖像畸變校正方法存在的問(wèn)題，提出基于差值映射的數(shù)字動(dòng)畫(huà)圖像畸變校正方法，進(jìn)行數(shù)字動(dòng)畫(huà)圖像的紋理特征和顏色特征的融合處理，并根據(jù)特征融合結(jié)果，采用差值映射方法進(jìn)行數(shù)字動(dòng)畫(huà)圖像畸變校正。仿真測(cè)試表明，本文方法的動(dòng)畫(huà)圖像校正效果較優(yōu)，不會(huì)出現(xiàn)校正不完全現(xiàn)象，且校正后輸出圖像的信噪比高于對(duì)比方法，驗(yàn)證了本文方法在提高數(shù)字動(dòng)畫(huà)圖像畸變校正能力方面的優(yōu)越性。

1 數(shù)字動(dòng)畫(huà)圖像畸變特征檢測(cè)

為了實(shí)現(xiàn)基于差值映射的數(shù)字動(dòng)畫(huà)圖像畸變校正，需要構(gòu)建數(shù)字動(dòng)畫(huà)圖像的畸變特征檢測(cè)模型［6-7］。采用互信息熵構(gòu)造方法，得到數(shù)字動(dòng)畫(huà)圖像畸變特征信息為

式中：U為畸變部分的特征點(diǎn)；t為顏色特征量，即RGB參數(shù)；u i為數(shù)字動(dòng)畫(huà)圖像聯(lián)合參數(shù)識(shí)別的置信度參數(shù)，設(shè)置為0.95；e為顏色特征分布的主成分信息函數(shù)。

根據(jù)聯(lián)合直方圖分析方法，分析數(shù)字動(dòng)畫(huà)圖像畸變特征；采用紋理特征分析方法，構(gòu)建數(shù)字動(dòng)畫(huà)圖像畸變紋理特征參數(shù)分析模型。在多維狀態(tài)空間中，構(gòu)建數(shù)字動(dòng)畫(huà)圖像的畸變紋理特征參數(shù)提取函數(shù)為

式中：p i為紋理信息樣本融合參數(shù)［8-10］。

根據(jù)數(shù)字動(dòng)畫(huà)圖像畸變紋理特征參數(shù)分析模型計(jì)算結(jié)果，得到數(shù)字動(dòng)畫(huà)圖像在復(fù)雜背景下的畸變深度信息計(jì)算結(jié)果為

式中：p2為數(shù)字動(dòng)畫(huà)圖像的協(xié)方差特征量；ρ2為數(shù)字動(dòng)畫(huà)圖像畸變的殘差分量；A2表示對(duì)數(shù)字動(dòng)畫(huà)圖像畸變部分進(jìn)行特征重構(gòu)［11］；δ為特征重構(gòu)影響因子。

在仿射不變的連通區(qū)域內(nèi)，得到數(shù)字動(dòng)畫(huà)圖像的畸變特征方差。根據(jù)數(shù)字動(dòng)畫(huà)圖像畸變深度信息計(jì)算結(jié)果，得到數(shù)字圖像的畸變像素差異度為式中：γ1為數(shù)字動(dòng)畫(huà)圖像畸變參量；xα1為協(xié)方差特征量［12］。

基于每種顏色概率分布，得到畸變特征檢測(cè)輸出為

式中：GX為數(shù)字動(dòng)畫(huà)圖像畸變部分的粗糙紋理分布特征量；ηm(x，y)為數(shù)字動(dòng)畫(huà)圖像的顏色畸變函數(shù)。

根據(jù)上述分析，完成數(shù)字動(dòng)畫(huà)圖像畸變特征檢測(cè)，可以提高圖像的畸變校正有效性。

2 數(shù)字動(dòng)畫(huà)圖像畸變校正

根據(jù)畸變特征檢測(cè)結(jié)果，采用匹配濾波檢測(cè)方法，進(jìn)行數(shù)字動(dòng)畫(huà)圖像畸變?nèi)诤系牟钪涤成洌?3-14］，實(shí)現(xiàn)對(duì)數(shù)字動(dòng)畫(huà)圖像畸變的校正，得到數(shù)字動(dòng)畫(huà)圖像自適應(yīng)調(diào)節(jié)的聯(lián)合分布函數(shù)為

式中：d i+1為自適應(yīng)調(diào)節(jié)參數(shù)，設(shè)置為0.63。

構(gòu)建數(shù)字動(dòng)畫(huà)圖像畸變信息的聯(lián)合參數(shù)分析模型，得到圖像紋理信息分布的權(quán)重為

式中：P j(t)為數(shù)字動(dòng)畫(huà)圖像的畸變關(guān)聯(lián)特征；s為紋理信息分布特征參數(shù)；τ為紋理信息權(quán)重參數(shù)。

在圖像多維參數(shù)重構(gòu)的背景下，得到數(shù)字動(dòng)畫(huà)圖像的深度值為

式中：X n為數(shù)字動(dòng)畫(huà)圖像的成像分辨率；Y n-τ為匹配濾波檢測(cè)特征集。

進(jìn)行數(shù)字動(dòng)畫(huà)圖像畸變特征融合的差值映射［15］，數(shù)字動(dòng)畫(huà)圖像畸變特征的稀疏特征量為

將提取的數(shù)字動(dòng)畫(huà)圖像稀疏特征量輸入到自相關(guān)學(xué)習(xí)器中，得到數(shù)字動(dòng)畫(huà)圖像特征參數(shù)分布的狀態(tài)空間為

采用深度圖像的背景區(qū)域化融合特征分析方法實(shí)現(xiàn)數(shù)字動(dòng)畫(huà)圖像畸變?nèi)诤暇垲悾?7-18］，結(jié)合數(shù)字動(dòng)畫(huà)圖像的狀態(tài)空間融合分析方法，得到數(shù)字動(dòng)畫(huà)圖像的畸變狀態(tài)結(jié)構(gòu)函數(shù)為

式中：λ為數(shù)字動(dòng)畫(huà)圖像的局部運(yùn)動(dòng)狀態(tài)參數(shù)，設(shè)置為0.59；r為數(shù)字動(dòng)畫(huà)圖像的畸變狀態(tài)干擾因子。

通過(guò)分類器中的濾波增強(qiáng)方法，實(shí)現(xiàn)數(shù)字動(dòng)畫(huà)圖像畸變信息的增強(qiáng)處理，將提取的圖像成像結(jié)構(gòu)參數(shù)進(jìn)行信息融合，得到數(shù)字動(dòng)畫(huà)圖像的向量量化編碼模型為

式中：H(Q|S)為數(shù)字動(dòng)畫(huà)圖像的向量網(wǎng)格特征。

根據(jù)向量量化編碼模型，得到數(shù)字動(dòng)畫(huà)圖像線性特征參數(shù)輸出為

式中：w k-1為線性尺度；p(x，t)為線性特征函數(shù)。

采用差值映射方法實(shí)現(xiàn)數(shù)字動(dòng)畫(huà)圖像畸變分量檢測(cè)，得到數(shù)字動(dòng)畫(huà)圖像畸變校正輸出為

綜上可實(shí)現(xiàn)數(shù)字動(dòng)畫(huà)圖像畸變的校正，提高數(shù)字動(dòng)畫(huà)圖像的質(zhì)量。

3 仿真測(cè)試分析

3.1 實(shí)驗(yàn)準(zhǔn)備

為了驗(yàn)證本文方法在實(shí)現(xiàn)數(shù)字動(dòng)畫(huà)圖像畸變分量校正中的應(yīng)用性能，設(shè)計(jì)實(shí)驗(yàn)進(jìn)行測(cè)試分析。設(shè)置實(shí)驗(yàn)數(shù)據(jù)：采集的數(shù)字動(dòng)畫(huà)圖像像素特征量為120×200，數(shù)字圖像的訓(xùn)練圖片數(shù)為1 200，各層級(jí)融合系數(shù)為0.25，數(shù)字圖像的畸變偏移系數(shù)為0.68。根據(jù)上述參數(shù)進(jìn)行數(shù)字動(dòng)畫(huà)圖像畸變分量校正仿真。

為了得到精準(zhǔn)的校正結(jié)果，對(duì)本文方法的校正性能進(jìn)行充分驗(yàn)證，在實(shí)驗(yàn)前對(duì)實(shí)驗(yàn)參數(shù)嚴(yán)格定義。實(shí)驗(yàn)環(huán)境參數(shù)如表1所示。

表1 實(shí)驗(yàn)環(huán)境參數(shù)

在表1所示的實(shí)驗(yàn)環(huán)境中，以數(shù)字動(dòng)畫(huà)圖像畸變校正質(zhì)量以及輸出圖像信噪比為實(shí)驗(yàn)對(duì)比指標(biāo)，將本文方法與基于拼接算法的校正方法以及基于改進(jìn)透視變換的校正方法進(jìn)行對(duì)比驗(yàn)證。

3.2 實(shí)驗(yàn)結(jié)果分析

以圖1的數(shù)字動(dòng)畫(huà)圖像為研究對(duì)象，分別采用本文方法、基于拼接算法的校正方法以及基于改進(jìn)透視變換的校正方法進(jìn)行對(duì)比驗(yàn)證。3種方法的校正結(jié)果如圖2～圖4所示。

圖1 待校正的數(shù)字動(dòng)畫(huà)圖像

圖2 本文方法的校正結(jié)果

由圖2可知，本文方法對(duì)3幅數(shù)字動(dòng)畫(huà)圖像的校正效果較好，可以針對(duì)3幅圖像中不同程度的畸變進(jìn)行校正，校正后輸出的圖像清晰度較高，且均未出現(xiàn)畸變現(xiàn)象。因此，本文方法具有良好的數(shù)字動(dòng)畫(huà)圖像畸變校正效果。

由圖3可知，基于拼接算法校正后，圖像1存在明顯的畸變，圖像2的邊緣出現(xiàn)嚴(yán)重的模糊化現(xiàn)象，圖3同樣存在校正效果不良的問(wèn)題，導(dǎo)致3幅圖像的實(shí)際應(yīng)用效果較差。

圖3 基于拼接算法校正方法的校正結(jié)果

由圖4可知，圖像1仍然畸變嚴(yán)重，圖像2的模糊現(xiàn)象較為嚴(yán)重，而圖像3雖然清晰度較高，但是圖像中的人物明顯傾斜。

圖4 基于改進(jìn)透視變換校正方法的校正結(jié)果

從上述對(duì)比結(jié)果中可以看出，與兩種傳統(tǒng)方法相比，利用本文方法進(jìn)行數(shù)字動(dòng)畫(huà)圖像畸變校正的輸出質(zhì)量較好，輸出結(jié)果更加自然、美觀，從最大程度上還原了數(shù)字動(dòng)畫(huà)圖像，說(shuō)明本文方法提高了數(shù)字動(dòng)畫(huà)圖像畸變校正能力。

測(cè)試輸出信噪比，對(duì)比結(jié)果如圖5所示。由圖可知，與基于拼接算法的校正方法、基于改進(jìn)透視變換的方法相比，采用本文方法進(jìn)行數(shù)字動(dòng)畫(huà)圖像畸變校正的輸出信噪比較高，說(shuō)明本文方法的畸變校正輸出穩(wěn)定性更好。

圖5 輸出信噪比測(cè)試

4 結(jié) 語(yǔ)

構(gòu)建優(yōu)化的數(shù)字動(dòng)畫(huà)圖像畸變校正模型，結(jié)合數(shù)字動(dòng)畫(huà)圖像畸變特征分布式設(shè)計(jì)，實(shí)現(xiàn)數(shù)字動(dòng)畫(huà)圖像畸變校正，本文提出了基于差值映射的數(shù)字動(dòng)畫(huà)圖像畸變校正方法。采用狀態(tài)空間搜索方法，進(jìn)行數(shù)字動(dòng)畫(huà)圖像畸變特征分析；采用尺度縮放映射方法，建立數(shù)字動(dòng)畫(huà)圖像的向量網(wǎng)格特征分解模型，構(gòu)建畸變分量的聯(lián)合檢測(cè)模型，實(shí)現(xiàn)數(shù)字動(dòng)畫(huà)圖像畸變分量校正。實(shí)驗(yàn)研究表明，通過(guò)本文方法進(jìn)行數(shù)字動(dòng)畫(huà)圖像畸變校正的輸出信噪比較高，提高了數(shù)字動(dòng)畫(huà)圖像畸變校正能力，說(shuō)明本文方法校正質(zhì)量較好。