生态园林景观布局色彩智能匹配研究

王宾

（山东省东营市河口区机关事务服务中心）

1 引言

随着经济的快速发展，人们对生态园林的建设要求逐渐提升。色彩布局作为景观设计的要点，对人类心理效应造成的影响较大[1]。所以，如何根据地理位置特点，结合园林建设实际需求，设计一套色彩较为匹配的布局方案，以此丰富生态园林。目前，采用的景观布局色彩匹配方法不仅精准度较低，而且匹配率存在较大提升空间，仍需进一步探究[2]。本文尝试选取Retinex作为理论研究基础，对原始景观图形采取增强处理，提出一种智能匹配设计方案。

2 生态园林景观布局色彩匹配控制下的图像增强发展

2.1 基于Retinex理论的生态园林景观图像分析

Retinex 理论是一种景观图像划分工具，可以将图像拆分为两种光成分，分别是入射光、反射光。一般情况下，采用景观图像光特征提取法，获取一子块景观光信息，向其中添加入射分量，经过重叠处理，同时平移子块，按照入射分量计算结果，去除景观中的图像入射分量，最终获取图像反射分量，使得图像得以增强[3-4]。这种方法不仅可以提高局部色彩匹配效率，而且还能够缩短图像色彩识别耗费时间。

2.2 原始生态园林景观图像增强处理

本文以Retinex理论作为研究基础，假设入射光与反射光组成生态园林景观图像，前者成分表示为W(x,y)，后者成分表示为Q(x,y)，园林景观图像表示为I(x,y)。根据三者之前的关系，以下公式成立：

式（1）中：I图像大小的计算公式为W×Q。假设两个图像大小相同的矩阵为Count、After，利用这两个矩阵存储原始景观图像信息、经过计算处理后形成景观图像信息。

以原始景观图像左上区域作为信息采集区域，从该其余提取一个子块图形信息，记为W×Q，对该子块采取滤波处理，得到入射分量，而后取常数对数，得到局部图像，以下为计算公式：

对公式（2）的局部图像采取高斯函数处理，根据计算结果做平滑滤波处理，获取入射分量，以下为计算公式：

公式（3）中计算结果将存储至After 矩阵中，与此同时，Count矩阵中将存储上述计算涉及到的数据信息，存储位置为矩阵子块。

以原始景观图像作为处理对象，向右方向移动，设定移动距离为子块B，控制步长不得超过m[5]。观察此时子块右面与景观图像边界位置关系，如果右面超出了边界位置，则向左方向移动，移动对象仍为子块B，控制步长不得超过n。如果右面未能超出景观图像边界，则继续向右移动。按照上述步骤重复操作，可以得到景观图像对应的入射分量[6]。

关于增强景观图像的获取，以图像入射分量作为处理对象，在对数域中去除此部分入射分量，便可以得到增强景观图像，记为Q′，计算公式如下：

3 生态园林景观布局色彩智能匹配设计

3.1 局部色彩特征的提取

本研究利用景观图像色彩增强处理方法，对原始图像加以增强处理，生成的图像存储至HSV色彩空间中。将此图像分割为多个等份图像，包括4份、4 份、8 份，这些图像经过量化处理后富含的色彩种类为128 种。其中，景观图像被拆分后形成子块数量为D×D个。以色彩像素频度数作为整理对象，提取频度最多像素，将其作为当前子块的主色彩。

通过分析各个子块主色分布情况，根据各个主色之间的关联关系，建立4 个连通区域。假设连通域为Parti，提取景观布局色彩特征信息，将其作为Parti色度矩阵构建依据。其中i的取值为1,2,…,K×K。色度矩阵的构建方法：以二维色度空间作为创建环境，将提取的景观图像信息上传至该空间中，经过计算，得到像素色度矩，建立在该计算结果基础上，从景观布局色彩区域中提取特征信息。其中，色度矩为局部色彩特征的存储与提取，提供了有利条件。以下为rgb色彩空间描述：

上述公式中，Q代表色彩连通区域内的红分量；B代表此部分区域的蓝分量；G代表此部分区域的绿分量；γ代表一个常数，该数值接近于0。

对rgb 采取空间变换处理，生成二维空间，用（qg，yb）来表示，对应的计算公式如下：

生成的二维空间色差度量比较容易让人们接受，基于与正常人眼观察到的色差度相同，可以将其当作色度空间。在此空间内，对像素没有特殊要求，任何一种像素的图像色度矩均可以在此空间计算。其中，计算涉运用的公式为勒让德多项式Ln(x)。采用累加计算，获取景观局部色彩特征，那么编号为i的子区域景观局部色彩特征的提取，就可以用以下公式来描述：

公式（9）中，yb(l)和qg(l)代表色度空间（qg，yb）中的数值；Amn代表权系数。

3.2 局色彩智能匹配设计

生态林景观图像色彩占据了色彩空间，通图像色彩部署，提高园区景观建设水平，给人们带来不一样的观景感受。其中，图像色彩均可以作为矢量集，要求矢量与景观图像一一对应，经过计算，判断色彩之间的特征矢量相似性。按照判断结果，分别对景观中各个位置的色彩布局进行匹配。以下为局部色彩智能匹配的主要步骤：

假设色彩空间的两个不同颜色分别为U1(q1,g1,b1)、U2(q2,g2,b2)，用μ代表两种颜色的色差因子，那么对应的计算公式为：

上述公式中，如果参数U1和U2之间矢量差异性随着相似度增加而减小，且矢量差异性与色差因子之间存在正相关关系。假如参数U1和U2描述同一种色彩，那么μ= 0。此条件下，色彩相似度达到最大，可将其理解为两种颜色不存在差异，保持一致。

根据上述推理可知，色差因子与色彩相似性之间存在负相关关系，在求取相似度数值时，可以将色差因子作为计算参数，根据两者之间的关系展开进一步计算。本文引入像素灰度差平方、色差因子、Δ′k3个参数，对色彩相似性进行约束，计算如下：

为了进一步满足色差约束要求，除了利用公式（11）加以约束以外，本研究还将色差因子μ集合到一起，用因子总和来约束，计算公式如下：

公式（12）中，ξ代表因子总和，μji代表待匹配点与基准点像素所处邻域中，分布的各个像素点之间对应的色差因子。以下为景观局部色彩匹配计算的主要公式：

4 实验测试分析

4.1 色彩匹配耗时测试

为了检验本文提出的色彩智能匹配方法在耗时方面特性是否得以改善，本文以基于CS-LBP 及MSCR色彩匹配方法和树形动态规划与色彩权值匹配作为对照，分别对3种色彩匹配方法进行测试，记录4次迭代耗时数据，结果如表1所示。

表1 不同方法应用下的色彩匹配耗时统计情况

表1 中测试结果显示，本文提出的智能色彩匹配方法较其他两种色彩匹配方法耗时更短，4次迭代期间，耗时最多集中在第二次迭代，耗时3.0s。基于CS-LBP及MSCR色彩匹配方法耗时最长，第三次迭代耗时最长，达到了10.0s。所以，本文提出的智能色彩匹配方法的耗时性能得以明显改善。

4.2 色彩匹配精度测试

分别对3 种的色彩匹配精度进行检测，通过对比不同迭代次数下的色彩匹配情况，统计3 种匹配方法的精度，结果如图1所示。

图1中，本文提出的智能色彩匹配方法1，在7次迭代中色彩匹配精度最高，均为60%以上。其中，第1次迭代和第4次迭代产生的匹配精度偏高，超过了80%。而基于CS-LBP 及MSCR 色彩匹配方法2 在第5次迭代中产生最大匹配精度，数值在60%左右，树形动态规划与色彩权值匹配方法3的色彩匹配精度最小，7 次迭代处理中，匹配精度均未超过40%。所以，智能色彩匹配方法在色彩匹配精度方面较传统的色彩匹配方法有所改善。

图1 不同方法应用下的色彩匹配精度

5 结语

本文针对传统生态园林景观布局色彩匹配方法存在的不足，选取Betinex 理论作为研究依据，设计色彩布局匹配方案。该方案将色彩因子集中到一起，展开综合约束，提高了色彩匹配性能。实验测试结果显示，本文提出的智能色彩匹配方法匹配耗时、色彩匹配精度较高，较以往提出的色彩匹配方法有很大改善，可作为生态园林景观布局色彩匹配工具。