基于计算机视觉算法的图像处理技术的研究

杨上超

关键词：计算机;视觉算法;图像处理技术

前言：在二维环境中，仅能显示物体的侧面投影。三维立体技术能实现对物体的三维显示。本文设计构建的真三维显示计算机视觉系统，能通过计算机视觉算法，对于物体投影具体过程中存在的畸变图像进行矫正。该技术相比于BP神经网络，具有更高的矫正精度，在图像处理领域得到了日渐广泛的应用。

1计算机视觉算法概述

计算机视觉算法，是对图像进行处理的数学模型，在人工智能领域中，计算机视觉算法属于常见技术。根据计算机视觉算法在图像理解相关方面存在的特性，部分学者对计算机视觉作出如下定义，即引导计算机以人的方式对周围世界进行观察理解。计算机视觉算法能有效实现该目标，能从图像或相关数据中，对所需信息进行获取。通常，对于各类图像，人类可直接理解其内容，但对于计算机而言，解释图像的具体方式呈现出复杂性和多样化的特点，仅凭固有的计算能力，难以实现对所有图像的准确理解。对此，人们从图像数据的具体类型切入，通过物理概率模型，有效解释图像，实现了对计算机视觉算法的构建。运用计算机视觉算法，能准确识别各类图像，并能将图像作为依据，绘制相应的三维模型，或预测模拟图像，具有较高的应用价值。计算机视觉算法具有极为广泛的应用范围，在高铁站、机场等场所的安检系统中，利用计算机视觉算法，能构建有效的人脸识别系统。

2计算机图像处理技术分析

2.1 基本含义

该技术是指通过计算机，对图像进行处理，需解析图像，并对之进行加工，从中获取目标图像，满足预期需要。对该技术进行应用，主要包括如下过程：（1）对图像进行处理前，先对之进行转化，将其转化为能被计算机系统识别的相关数据，在计算机中存储数据，便于后期开展图像处理。（2）通过不同方式并采用不同的计算方法，对计算机中存储的图像数据进行格式转化，并做好数据处理。

2.2 图像类别

利用计算机处理的图像，主要包括如下类别：（1）模拟图像。此类图像常见于日常生活中，包括光学和摄影等图像，其中，摄像图像是通过胶片照相机拍摄的相片。模拟图像具有快捷的传输速度，但缺乏较高的精密度，难以实现灵活应用。（2）数字化图像。此类图像的产生，是由于数字化技术的应用，将此类图像与模拟图像进行比较，可知，此类图像具有更高的精密度，且能实现灵活处理。

2.3 技术特点

计算机图像处理技术主要具有如下特点：（1）具有更高的精密度。信息、网络技术在各行业领域的应用日渐广泛，尤其是在图像处理领域的应用，可将图像进行数字化出来，进而形成二维数组。通过一定设备对二维数组提供支持，能对图像实施有效的数字化处理，二维数组能任意发生大小程度的变化。通过扫描设备，对像灰素度等级进行量化，能形成超过16位的灰度，从而实现对精密度的提高，良好满足图像处理的高标准要求。（2）再现性良好。对图像进行处理，最基本的要求，是实现对真实场景的清晰还原，促进照片更为贴近现实。模拟图像处理相关操作会降低图像质量，难以实现理想的再现性。通过计算机图像处理技术，能利用数字化图像实现对原图的精准反映，处理完成后，数字化图像能实现对原有品质的良好保持。该技术还能对图像进行科学保存、有效复制和快速传输，不仅不会对原图像质量造成不良影响，且再现性较高。（3）具有更广泛的应用范围。图像格式不同，适用的处理方式也不同。该技术能有效处理信息源不同的各类图像，包括光图像、遥感图像、显微镜图像和波普图像，均能通过数字编码相关设备，转化为二维数组类型的图像。因此，该技术具有更为广泛的应用范围，无论对于何种信息源，均可对之实施数据化处理，并在计算机系统中加以储存，通过对图像数据进行处理，即可实现预期的应用要求。

3计算机视觉显示系统的设计

3.1 光场重构

与二维像素进行比较，真三维立体显示能在立体空间之内，对三维数据场包含的每个点进行成像。成像点，其实即为三维成像相应的体素点，体素点联合起来，即构成相应的立体图像。通过光学引擎，并利用机械运动两类方式，对光场进行重构。对该技术原理进行阐述，可借助五维光场函数对三维立体空间相应的光场函数进行分析，即通过对三维空间内存在的光场函数进行描述，是空间中点的三维坐标及其坐标下的具体方向，表示图像相应的颜色信息。处于待显示状态的三维图像相应的模型及其纹理，可通过物体表面全部的离散点集进行表示。其中，，Pi表示空间中点的位置，Yi表示空间中点的颜色。

3.2 显示系统设计

本文基于计算机视觉算法，对图像处理相关技术进行阐述。技术实现，需对ARM装置进行应用，通过该装置发挥的智能交互作用，支持真三维显示系统的良好实现，人们可通过各角度对成像进行观看。在真三维显示系统中，成像具有很高的分辨率，体素甚至可达30M。相对于旋转式LED点阵三维，其成像方式呈现为柱状形态，虽能实现对三维光场的重构，但难以形成较大的成像视角，且难以实现较高的分辨率。

在三维环境中，人们对物体进行拍摄，需通过三维基础对物体进行展示，再将经过投影处理后的物体相应的成像序列在SDRAM中存储。通过FPGA技术对视频进行采集，并依托该技术向ARM处理装置传导图像序列，进而对图像进行切片处理，图像相关的数据信息完成对DVI视频接口的进入后，由DMD控制设备对之进行处理，高速投影机即摄入图像信息。经过相关操作后，DLP可朝着散射屏背面对数字化图像进行投影。为确保图像信息实现高速旋转，需对伺服电机进行运用，通过电机驱动，转速传感器能对转台角度以及转台速度进行探测，并向控制器传递所探测的相关信号，据此对转台实施闭环式控制。伺服电机在高速旋转的工作环境中运动，设备会同步采集装置相应的位置信息，DVI信号将帧频输出，控制器形成的编码即位DVI帧频信号。这就能保障散射屏与投影的数字化图像保持同步。

4图形畸变的矫正算法

4.1 畸变矫正过程

利用计算机视觉算法，通过计算机，可对畸变图像进行处理。投影设备垂直投影图像时，在视场变化的情况下，其成像垂轴的实际放大率也随之变化，此类变化能导致智能交互真三维显示装置相应的半透半反屏像素点出现偏移，若出现程度过大的偏移，将导致图像畸变。对此，需通过计算机图像处理技术对图像畸变实施有效校正。图像产生几何变形，要通过校正图像畸变的相关算法，对图片实施有效的几何校正，从出现畸变图像中尽量将畸变消除，并还原图像状态。此类处理技术，能将发生畸变的图像通过几何校正将几何畸变有效消除。投影设备包括两种主要畸变，一种是径向畸变，一种是切向畸变。其中，后者对图像畸变产生的影响较小，在对图像畸变相关算法进行研究时，通常会忽略切向畸变，主要研究径向畸变。

径向畸变具体包括两种，一种是桶型畸变，一种是枕型畸变。投影设备产生最多的径向畸变为桶型畸变。对于此类畸变相应的光学系统而言，其图像空间包含的空间直线均非直线，仅对称中心形成直线。对图像进行矫正处理，需将对称中心找准，再通过计算机视觉算法，对图像展开有效处理，矫正其畸变。

通常，图像畸变是由于空间状态发生扭曲而导致畸变，可称此类畸变为曲线畸变。过去，通过二次多项式矩阵解，可简单掌握畸变系数，但对于复杂情况的图像畸变，利用该方式则难以实现对畸变系数的准确描述。对于更高次数的多项式，处理畸变所需的逆具有更大矩阵，不利于后期展开编程分析，且难以实现有效的求解计算。基于BP神经网络，构建的畸变矫正，能在一定程度上提高精度。本文将计算机视觉算法作为理论基础，有效深化这种畸变矫正方式，形成卷积神经网络处理图像畸变的技术。该技术的权值共享网络结构类似于生物神经网络，能实现对网络模型实际难度的有效降低，还能简化其复杂程度，并对权值数量进行减少，能增强识别畸变图像和对之泛化的能力。

4.2 畸变图像处理

卷积神经网络也属于一种人工神经网络，能更好实现对图像的有效处理。卷积神经网络具备的稀疏连接性良好，且具有良好的权值共享行，采用相对简单的训练方式，学习难度相对较小，此类连接方式在处理畸变图像方面更具适用性。在处理畸变图像的过程中，网络输入主要是多维图像输入，图像可实现对网络的直接穿入，无需对图像数据进行重新提取。另外，还能将训练参数减少，在对容量进行控制的同时，确保图像处理具备的泛化能力良好。

例如，某数字化图像具有227×227的分辨率，对其均值进行相减处理后，神经网络包含的全连接层有两个，卷积层有五个。对图像信息进行转化，与卷积神经网络计算的具体状态相符，卷积神经网络需设置227×227的分辨率。加上图像存在一定程度的几何畸变，对可能形成的集中变形进行充分考虑，根据检测窗比例的实际情况，对之进行裁剪，形成特定大小。

5算法实现分析

根据上文论述的计算机视觉算法，确定畸变图像相应的模型。本文论述的图像处理技术和相关程序，对Matlab软件进行了应用，对图像处理相应的样本进行选择时，主要选用标准图像组和1000幅畸变。对内置于系统中的Deep Learning工具包进行应用，撰写以畸变图像算法为基础的图像处理方法和相关矫正程序，对图像进行矫正时，在畸变图像中对每个点进行映射，再通过灰度差值对灰度值进行确定。此类图像处理方法的特点在于低通滤波，图像矫正具有较高的精度，不会明显存在灰度缺点。对此，通过双线性插值法，对图像畸变点附近存在的四个灰度值进行畸变点灰度实际情况的计算。

对于出现几何畸变的图像，可根据上文论述的计算机视觉算法输入CNN模型，对卷积与降采样层具体数量进行科学设置，对卷积核实际大小、降采样实际降幅进行科学设置，在此基础上，将卷积神经网络的具体内容作为依据，对输出位置进行合理选择。将灰度差值相应的双线性插值算法作为依据，进一步对畸变图像相应的点位灰度值进行确定。随后，通过该方法对每个图像畸变点进行操作，重复操作直至处理完全部的畸变点，即能在画面中获取完成矫正的完整图像。

為实现对卷积神经网络运算实际难度的尽量降低，减少图像处理耗费的时间，可对畸变矫正图像算法进行划分，形成如下两部分：一是CNN模型处理，二是对矫正参数进行计算。在实施校正的具体过程中，要对查找表进行提前构建，并形成常数表格，将输入完成的畸变图像作为依据，根据像素实况，对表格进行查找，与表格包含的数据信息相结合，根据灰度值进行替换，以当前灰度值实施图像处理，完成畸变校正。另外，在卷积神经网络计算机算法初始化阶段，将位置映射表作为依据，针对图像构建CNN模型，依托模型实施畸变处理，通过系统实现对查找表的自动生成。根据上述方法实施相同操作，对灰度值进行计算，再替换当前灰度值，完成对全部畸变点相应的灰度值替换后，即完成了对该畸变图像的实时矫正，不仅具有较高的精准度，且操作难度相对较小。

结语

综上所述，在信息网络技术渐趋普及的时代背景下，数字化图像已经完全取代模拟图像。数字化图像的清晰度较高，且具有较强的真实度，但可能存在一定程度的图像畸变。对此，需通过图像处理技术和相关方法对图像畸变进行处理。基于计算机视觉算法，利用卷积神经网络对图像畸变进行计算，遵循灰度值计算的合理方法，能促进图像清晰度实现有效提高，并实现对图像存在的几何畸变的有效矫正。

参考文献：

[1]宋凡，梁发云，刘敏，等.裸眼3D LCD动静态图像显示的设计研究[J].南昌大学学报（工科版），2015，（1）.87-90.

[2]孔令胜，刘春雨，张元，等.视差自由立体显示中莫尔条纹消除的研究进展[J].液晶与显示，2014，（3）.441-449.

[3]田丰，夏雪，田晶，等.高分辨真三维显示中的体素化及均匀化方法[J].计算机辅助设计与图形学学报，2013，（9）.1304-1311.

[4]秦伟.计算机图形图像技术的应用[J].电子技术与软件工程，2019，（7）.57.

[5]肖媛媛.计算机平面网络中的图像处理技术[J].电子技术与软件工程，2019，（4）.