基于混合导向滤波的刺绣VR图像处理方法及系统

基于混合导向滤波的刺绣vr图像处理方法及系统
技术领域
1.本发明属于刺绣图像处理技术领域，尤其涉及一种基于混合导向滤波的刺绣vr图像处理方法及系统。


背景技术：

2.在现有技术中对虚拟现实影片的图像传输，通常是通过将平面的图像转化为立体的图像，让观看者能够通过vr头盔看到立体三维的影片；刺绣是将装饰性的线状物设计应用于结构或纺织品的艺术，其中在刺绣vr图像虚拟实验教学过程中，能够二维的刺绣图像能够以vr图像的模式进行逼真的虚拟展示；目前的刺绣vr图像虚拟展示中，为了提高展示效果，大多通过以下几种方案实施：
3.一、根据视频图像数据与视频颜色之间的关系，得到三种图像特征，并采用基于阈值的极值中值滤波优化算法，从而加强了在vr虚拟系统里面图像的呈现效果，从而解决了“毛刺”现象以及低压缩比率等问题(引证：王婧，高博基于vr的视频图像处理效果优化仿真研究[j].计算机仿真,2021,38(03):148-151 200.)；但是极值中值滤波优化算法虽然对于图像的灰度特征提取精确度较高，但其在图像融合的过程中缺乏对于空间一致性的考虑，使得最终图像出现颜色亮度的失真或者不真实的人工效应。
[0004]
二、在传统的特征变化模型(si ft)的基础上，将模型中的尺度变化函数由高斯函数换为导向滤波函数，从而增强了模型对于刺绣针法图像关键特征的提取效果以及匹配准确率；(引证：杨蕾,胡慧,周军.刺绣针法图样特征点提取及匹配方法研究[j].计算机应用研究,2021,38(07):2231-2234 2240.)；但是单一的尺度变化特征函数虽然在图像融合上有着较好的性能，但由于此种变换缺乏平移不变形，使得在图像的融合结果中会发生截断伪影(gibbs伪影)现象，从而影响最终生成的图像效果。
[0005]
三、基于多尺度双通卷积神经网络的刺绣模拟算法，将模型训练所得的掩模图像与背景图像以及刺绣图像进行融合，从而加强了模型所产生的刺绣图像的针线感并使其针线更加轨迹多样化(引证：李宗彦,钱文华,徐丹,普园媛.多尺度双通道卷积神经网络下的刺绣模拟[j].中国图形图像学报，2020，25(02)：343-353.)；多尺度神经网络下的模拟算法设计处理较多的细节层融合规则，而设计上的复制程度将会导致图像数据信息产生不同程度的缺失。
[0006]
由上述可知目前的刺绣vr图像在处理过程中依旧有较多的问题，刺绣vr图像处理的方法仍需进一步改进。


技术实现要素：

[0007]
本发明的目的在于：提供一种刺绣vr图像的处理方法，旨在解决上述背景技术中所提到的：融合的图像出现颜色亮度的失真或者不真实的人工效应的问题、发生截断伪影的问题以及图像数据信息产生不同程度的缺失的问题。
[0008]
本发明采用的技术方案如下：
[0009]
一种刺绣vr图像的处理方法，包括：
[0010]
步骤1，从刺绣图像数据集中获取所需的二维刺绣图像数据，并将所述二维刺绣图像数据转化为所对应的连续特征；
[0011]
步骤2，对所述连续特征进行灰度处理，从而获得刺绣图像的尺度特征向量；
[0012]
步骤3，将所述尺度特征向量进行混合导向滤波分解处理，得到滚动导向滤波细节层和高斯滤波细节层；
[0013]
步骤4，将分解得出的所述滚动导向滤波细节层和所述高斯滤波细节层进行细节层融合处理；
[0014]
步骤5，将融合后的刺绣图像细节层特征进行累加处理，获得图像总体特征。
[0015]
优选的，步骤1中，通过同距离取样法将所述二维刺绣图像数据转化为所对应的连续特征g(x，y)；其中，公式为：
[0016][0017]
g(xm，yn)为刺绣图像连续特征的离散型变量；xm，yn为刺绣图像的整体实数几何以及实数集合。
[0018]
优选的，步骤2中包括以下子步骤：
[0019]
步骤201，对所述二维刺绣图像的像素窗口进行排序，并且将像素的极大值和极小值点进行对比，将两个取值所不同的点进行灰度值处理，获得图像灰度值hi(x，y)；
[0020]
步骤202，将所述连续特征g(x，y)和图像灰度值hi(x，y)通过以下公式处理，得到刺绣图像的尺度特征向量；
[0021][0022][0023]
其中；g为常数阈值。
[0024]
优选的，步骤3包括以下子步骤：
[0025]
步骤301，对于所得的图像尺度特征向量通过以下公式进行细节层特征提取；
[0026][0027]in 1
＝l
n-l
n 1
ꢀꢀ
(5)
[0028][0029]
步骤302，通过二维对称函数将所得到细节层特征进行对称处理，从而使其能够满足后续的细节层融合处理；
[0030][0031]
其中；ln第n层的混合滤波图像尺度特征向量，其中包括经滚动导向滤波以及高斯滤波处理后的细节层，即滚动导向滤波细节层和高斯滤波细节层；in为第n层的细节层特征；n为刺绣图像被分解的层数；σ为高斯滤波的方差参数；g(x，y)为二维对称函数。
[0032]
优选的，步骤4包括以下子步骤：
[0033]
步骤401，利用绝对值取大规则来计算混合滤波图像细节层特征的权重矩阵；
[0034][0035]
步骤402，将所得到的权重矩阵用高斯滤波进行最终分解处理，得到在对称函数下的滚动导向滤波细节层以及高斯滤波细节层；
[0036][0037]
步骤403，将不同滤波函数的细节层进行初始合并，分别得到融合后的第n层细节层特征；
[0038][0039][0040][0041][0042]
其中mixn为融合过后的第n层图像细节层特征；为融合后图像细节层特征向量权重；为图像细节层特征向量的全局参数；w为融合前图像细节层特征向量权重。
[0043]
优选的，步骤5中，对融合过后的各层细节层特征进行累加处理，以得到图像总体特征v；其中，公式为：
[0044]
v＝∑
n＝1
mixnꢀꢀ
(14)。
[0045]
一种基于混合导向滤波的刺绣vr图像处理系统，包括：
[0046]
连续特征确定模块，用于从刺绣图像数据集中获取所需的二维刺绣图像数据，并将所述二维刺绣图像数据转化为所对应的连续特征；
[0047]
尺度特征向量处理模块，用于对所述连续特征进行灰度处理，从而获得刺绣图像的尺度特征向量；
[0048]
混合导向滤波分解模块，用于对所述尺度特征向量进行混合导向滤波分解处理，得到滚动导向滤波细节层和高斯滤波细节层；
[0049]
融合处理模块，用于将分解得出的所述滚动导向滤波细节层和所述高斯滤波细节层进行细节层融合处理；
[0050]
总体特征确定模块，用于将融合后的刺绣图像细节层特征进行累加处理，获得图像总体特征。
[0051]
优选的，尺度特征向量处理模块包括：
[0052]
图像灰度值确定单元，用于对所述二维刺绣图像的像素窗口进行排序，并且将像素的极大值和极小值点进行对比，将两个取值所不同的点进行灰度值处理，获得图像灰度值；
[0053]
尺度特征向量确定单元，用于将所述连续特征和图像灰度值进行处理，得到刺绣图像的尺度特征向量。
[0054]
优选的，混合导向滤波分解模块包括：
[0055]
细节层特征提取单元，用于将所得的刺绣图像尺度特征向量进行细节层特征提取
处理；
[0056]
细节层特征预处理单元，用于将所得到细节层特征通过二维对称函数进行对称处理，从而使其能够满足后续的细节层融合处理。
[0057]
优选的，融合处理模块包括：
[0058]
权重矩阵计算单元，用于利用绝对值取大规则来计算混合滤波图像细节层特征的权重矩阵；
[0059]
高斯滤波处理单元，用于将所得到的权重矩阵用高斯滤波进行最终分解处理，得到在对称函数下的滚动导向滤波细节层以及高斯滤波细节层；
[0060]
合并单元，用于将不同滤波函数的细节层进行初始合并，分别得到融合后的第n层细节层特征。
[0061]
综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0062]
本发明中，对刺绣vr图像处理过程中，混合导向滤波分解处理以及细节层融合时，基于阈值的滚动导向滤波算法与高斯滤波算法相结合，从而能够改善高斯滤波的边缘强度特征对于图像识别的能力，并在算法融合的过程中简化细节层融合规则，减少了图像融合过程中边缘信息的丢失，进而避免了因图像融合过程中边缘信息丢失而导致的图像亮度失真或者不真实的人工效应的状况出现；此外，该混合导向滤波算法所拥有的多尺度变化特征也能有效减少图像融合过程中的gibbs伪影现象，从而有效的增强了刺绣vr图像的优化效果。
附图说明
[0063]
图1为本发明的模块原理图；
[0064]
图2为本发明的流程图；
[0065]
图3为高斯滤波算法、flicm算法、中值滤波算法以及本发明中的混合导向滤波算法对于刺绣vr图像的优化性能的对比实验结果图。
具体实施方式
[0066]
下面详细描述本发明的实施方式，实施方式的示例在附图中示出，其中相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅可用于解释本发明的实施方式，而不能理解为对本发明的实施方式的限制。
[0067]
刺绣vr图像在虚拟实验教学过程中，能够将刺绣图像数据集中的二维的刺绣图像以vr图像的模式进行逼真的虚拟展示。
[0068]
如图1-2所示，本发明实施方式的基于混合导向滤波的刺绣vr图像处理方法包括以下步骤：
[0069]
步骤1，从刺绣图像数据集中获取所需的二维刺绣图像数据，并将二维刺绣图像数据转化为所对应的连续特征；
[0070]
步骤2，对连续特征进行灰度处理，从而获得刺绣图像的尺度特征向量；
[0071]
步骤3，将尺度特征向量进行混合导向滤波分解处理，得到滚动导向滤波细节层和高斯滤波细节层；
[0072]
步骤4，将分解得出的滚动导向滤波细节层和高斯滤波细节层进行细节层融合处理；
[0073]
步骤5，将融合后的刺绣图像细节层特征进行累加处理，获得图像总体特征。
[0074]
本发明还提出一种基于混合导向滤波的刺绣vr图像处理系统，包括：连续特征确定模块、尺度特征向量处理模块、混合导向滤波分解模块、融合处理模块和总体特征确定模块；
[0075]
连续特征确定模块，用于从刺绣图像数据集中获取所需的二维刺绣图像数据，并将所述二维刺绣图像数据转化为所对应的连续特征；
[0076]
尺度特征向量处理模块，用于对所述连续特征进行灰度处理，从而获得刺绣图像的尺度特征向量；
[0077]
混合导向滤波分解模块，用于对所述尺度特征向量进行混合导向滤波分解处理，得到滚动导向滤波细节层和高斯滤波细节层；
[0078]
融合处理模块，用于将分解得出的所述滚动导向滤波细节层和所述高斯滤波细节层进行细节层融合处理；
[0079]
总体特征确定模块，用于将融合后的刺绣图像细节层特征进行累加处理，获得图像总体特征。
[0080]
在该实施方式中，基于混合导向滤波的刺绣vr图像处理方法以基于混合导向滤波的刺绣vr图像处理系统作为步骤的执行对象，也可以以系统内的模块作为步骤的执行对象。具体的，步骤1由连续特征确定模块作为步骤的执行对象，步骤2由尺度特征向量处理模块作为步骤的执行对象，步骤3由混合导向滤波分解模块作为步骤的执行对象，步骤4由融合处理模块作为步骤的执行对象，步骤5由总体特征确定模块作为步骤的执行对象。
[0081]
在步骤1中，将二维刺绣图像数据转化为所对应的连续特征的具体步骤如下：
[0082]
通过同距离取样法将所述二维刺绣图像数据转化为所对应的连续特征g(x，y)；其中，公式为：
[0083][0084]
g(xm，yn)为刺绣图像连续特征的离散型变量；xm，yn为刺绣图像的整体实数几何以及实数集合。
[0085]
相应的，基于混合导向滤波的刺绣vr图像处理系统中连续特征确定模块包括：
[0086]
转化单元，用于通过同距离取样法将所述二维刺绣图像数据转化为所对应的连续特征。
[0087]
在步骤2中，为了获得刺绣图像的尺度特征向量。
[0088]
步骤2中包括以下子步骤：
[0089]
步骤201，对所述二维刺绣图像的像素窗口进行排序，并且将像素的极大值和极小值点进行对比，将两个取值所不同的点进行灰度值处理，获得图像灰度值hi(x，y)；
[0090]
步骤202，将所述连续特征g(x，y)和图像灰度值hi(x，y)通过以下公式处理，得到刺绣图像的尺度特征向量；
[0091]
[0092][0093]
其中；g为常数阈值。
[0094]
相应的，基于混合导向滤波的刺绣vr图像处理系统中尺度特征向量处理模块包括：
[0095]
图像灰度值确定单元，用于对所述二维刺绣图像的像素窗口进行排序，并且将像素的极大值和极小值点进行对比，将两个取值所不同的点进行灰度值处理，获得图像灰度值；
[0096]
尺度特征向量确定单元，用于将所述连续特征和图像灰度值进行处理，得到刺绣图像的尺度特征向量。
[0097]
在步骤3中，将刺绣图像的尺度特征向量进行混合导向滤波分解处理后，为了得到刺绣图像的尺度特征向量的滚动导向滤波细节层和高斯滤波细节层。
[0098]
步骤3包括以下子步骤：
[0099]
步骤301，对于所得的图像尺度特征向量通过以下公式进行细节层特征提取；
[0100][0101]in 1
＝l
n-l
n 1
ꢀꢀ
(5)
[0102][0103]
步骤302，通过二维对称函数将所得到细节层特征进行对称处理，从而使其能够满足后续的细节层融合处理；
[0104][0105]
其中；ln第n层的混合滤波图像特征，其中包括经滚动导向滤波以及高斯滤波处理后的细节层，即滚动导向滤波细节层和高斯滤波细节层；in为第n层的细节层特征；n为刺绣图像被分解的层数；σ为高斯滤波的方差参数；g(x，y)为二维对称函数。
[0106]
相应的，基于混合导向滤波的刺绣vr图像处理系统中混合导向滤波分解模块包括：
[0107]
细节层特征提取单元，用于将所得的刺绣图像尺度特征向量进行细节层特征提取处理：
[0108]
细节层特征预处理单元，用于将所得到细节层特征通过二维对称函数进行对称处理，从而使其能够满足后续的细节层融合处理。
[0109]
在步骤4中，将分解得出的所述滚动导向滤波细节层和所述高斯滤波细节层进行细节层融合处理的过程中。
[0110]
步骤4包括以下子步骤：
[0111]
步骤401，利用绝对值取大规则来计算混合滤波图像细节层特征的权重矩阵；
[0112][0113]
步骤402，将所得到的权重矩阵用高斯滤波进行最终分解处理，得到在对称函数下的滚动导向滤波细节层以及高斯滤波细节层；
[0114][0115]
步骤403，将不同滤波函数的细节层进行初始合并，分别得到融合后的第n层细节层特征；
[0116][0117][0118][0119][0120]
其中；mixn为融合过后的第n层图像细节层特征；为融合后图像细节层特征向量权重；为图像细节层特征向量的全局参数；w为融合前图像细节层特征向量权重。
[0121]
此基于阈值的滚动导向滤波算法与高斯滤波算法相结合，从而改善高斯滤波的边缘强度特征对于刺绣图像识别的效果，并在算法融合的过程中简化细节层的融合规则，进而减少了图像融合过程中因为边缘信息丢失程度而导致的亮度失真或者人工效应。
[0122]
相应的，基于混合导向滤波的刺绣vr图像处理系统中融合处理模块包括：
[0123]
权重矩阵计算单元，用于利用绝对值取大规则来计算混合滤波图像细节层特征的权重矩阵；
[0124]
高斯滤波处理单元，用于将所得到的权重矩阵用高斯滤波进行最终分解处理，得到在对称函数下的滚动导向滤波细节层以及高斯滤波细节层；
[0125]
合并单元，用于将不同滤波函数的细节层进行初始合并，分别得到融合后的第n层细节层特征。
[0126]
在步骤5中，为了获得刺绣vr图像的总体特征。
[0127]
步骤5的具体方式为：对融合过后的各层细节层特征进行累加处理，以得到图像总体特征v；其中，公式为：
[0128]
v＝∑
n＝1
mixnꢀꢀ
(14)。
[0129]
该混合导向滤波所拥有的多尺度变化特征也能有效减少图像融合过程中的gibbs伪影现象，进而对图像总体特征v进行了优化。
[0130]
相应的，基于混合导向滤波的刺绣vr图像处理系统中总体特征确定模块包括：细节层特征累加处理单元，用于将融合过后的各层细节层特征进行累加处理，以得到图像总体特征。
[0131]
本发明实施方式的基于混合导向滤波的刺绣vr图像处理方法和基于混合导向滤波的刺绣vr图像处理系统，在对刺绣vr图像处理过程中，阈值构造滚动导向滤波算法能够增强目标图像的像素排列特的识别效果；混合导向滤波分解处理以及细节层融合时，基于阈值的滚动导向滤波算法与高斯滤波算法相结合，能够改善高斯滤波的边缘强度特征对于图像识别的能力，并在算法融合的过程中简化了细节层融合规则，从而减少了图像融合过程中边缘信息的丢失，避免了因图像融合过程中边缘信息丢失而导致的图像亮度失真或者不真实的人工效应的状况出现；此外，该混合导向滤波算法所拥有的多尺度变化特征也能有效减少图像融合过程中的gibbs伪影现象，从而有效的增强了刺绣vr图像的优化效果。
[0132]
此外，本发明还提供一组试验数据：高斯滤波算法、flicm算法、中值滤波算法以及本发明中的混合导向滤波算法对于刺绣vr图像的优化性能的对比实验。
[0133]
对比实验的具体步骤如下：
[0134]
将公式(2)中的图像灰度值h(x，y)进行矩阵化处理，获得图像的对比度的表达式和熵值的表达式：
[0135][0136][0137]
其中；为图像的对比度，具体为通过上述方法优化后刺绣vr图像对比度；为图像的熵值，具体为通过上述方法优化后刺绣vr图像的熵值；
[0138]
图像的对比度越大，表示刺绣vr图像所拥有的凹槽越深，刺绣vr图像的细节信息遗失越多；熵值越大，表示刺绣vr图像的纹理越多，则刺绣vr图像越清晰，展现的刺绣vr图像信息更为丰富；
[0139]
此外，再获得图像总体特征v的噪声值crn；通过噪声值crn的大小，可判断刺绣vr图像的效果；
[0140]
公式为：
[0141]
其中；为图像目标所在区域的噪声均值；为图像背景区域的噪声均值；为图像目标所在区域的噪声标准方差；为图像背景区域的噪声标准方差；噪声值crn的数值越小，刺绣vr图像的清晰度效果越好；反之，噪声值crn的数值越大，刺绣vr图像的清晰度效果越差；
[0142]
本发明通过刺绣vr图像对比度、熵值以及噪声值，来对高斯滤波算法、flicm算法、中值滤波算法以及本发明中的混合导向滤波算法对于刺绣vr图像的识别性能进行对比；所使用的刺绣vr图像数据来自刺绣图像开源信息库，实验环境设置如下：
[0143][0144][0145]
高斯滤波算法、flicm算法、中值滤波算法以及本发明中的混合导向滤波算法对于刺绣vr图像的优化性能的对比实验结果如图3所示；
[0146]
根据图3中的实验结果可知，本发明中的混合导向滤波算法对于刺绣vr图像的优化效果明显优于高斯滤波算法、flicm算法和中值滤波算法，其中刺绣vr图像的对比度为3.42，噪声度106.2，皆低于高斯滤波算法、flicm算法和中值滤波算法，说明本发明中的方法可以有效的调整刺绣vr图像的对比度参数，从而减少图像的细节信息遗失以及视觉刺眼强度；并且其刺绣vr图像的优化结果的熵值为：10.21，皆大于高斯滤波算法、flicm算法和中值滤波算法中的熵值，说明通过本发明所优化的图像拥有较多的纹理信息，从而表明其所能展现的刺绣图案信息更为丰富。
[0147]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0148]
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0149]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理模块的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0150]
应当理解，本发明的实施方式的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0151]
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0152]
此外，在本发明的各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块
如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
[0153]
上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0154]
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。