基于计算机视觉算法的图像处理技术研究

李渊 赵金环

摘要：在我国市场经济不断发展的背景下，人们对高品质图像的需求逐渐增加，因此，利用计算机视觉算法提升图像处理工作效果已成为业内首选。文章从计算机图像处理技术的概念着手，分析了在计算机图像处理工作中利用视觉算法的优势，并从多个角度阐述了基于计算机视觉算法的图像处理技术应用路径，以期为提升图像处理工作的整体效果提供建议，从而为我国计算机应用行业的发展做出一定贡献。

关键词：计算机视觉算法；图像处理；应用探究

中图法分类号：TP391 文献标识码：A

在当前的二维计算机图片处理工作中，物体往往只能呈现出一个侧面的投影，而随着技术的进步，人们对立体图像的需求有所增加。本文介绍了一种利用计算机视觉技术实现三维立体显示的计算机视觉方法。与ＢＰ 神经网络相比，该方法具有较高的校正准确率，在图像处理中具有较大的实用价值。

１ 计算机图像处理技术概述

１．１ 图像处理步骤

采用计算机技术对图像进行处理，首先，要对图像进行分析，获取具体的图像数据后才能得到要处理的图像信息。其次，要做好图像处理工作，并将处理后的图像信息通过相关软件转换为计算机能够采集的数据，接着将其存储起来，以便以后可以利用不同的计算方法对储存在计算机中的图像信息进行变换和分析处理。

１．２ 图像类别

在计算机进行图像处理时，可以将图像分为如下２ 类。（１）模拟图像。其是指通过像素点位置进行数据储存。这类图像的传输具有快速、精确、不灵活等特点。（２）数码影像。在技术进步的同时，影像技术也逐渐向数码技术方向发展。数字图像是一种新兴的技术，由计算机和计算机技术发展而来。与模拟图像相比，数字图像具有更高的准确度［１］ 。

２ 计算机图像处理技术的应用优势

２．１ 准确性高

通过计算机图像处理技术对数字图像进行分析后，可以获取一个二维点阵阵列，它的二维阵列可以对任意尺寸的图像进行数字化处理。大部分人都会使用一种能够分辨出像素的灰度级别的仪器，相关的处理数据储存在１６ 位的字符中，其既能保证图像的精度，又能满足用户对图像处理的要求。

２．２ 再现能力强

从目前的图像处理工作来看，客户对图像处理的结果要求依然较为简单，客户最重要的目标就是提高处理后图片的真实感。然而，模拟图像技术在很大程度上降低了图像的原始质量，难以保证整体的处理效果。利用数码影像处理技术，可以更精确地还原原图像，不管是否经过处理，影像的品质都不会受到太大影响。另外，利用计算机数码影像信号处理技术，可以在不改变原影像品质的前提下，对数码影像进行复制、传送，并能实现图片的高品质再现。

２．３ 可以满足社会对高品质图像的需求

图像的格式直接影响图像的处理，相较于以往的模拟图像，利用计算机视觉算法处理的图像要丰富得多，不管是光图像，流行图像，还是航空图像，都可以通过数码图像编码设备进行转换。因此，计算机视觉算法在进行图片处理时有着较高的适用性。不管是哪一种类型的信息处理工具，都能实现对图像的数字化，利用网络技术可以实现对图像的快速处理。

３ 基于计算机视觉算法的图像处理技术的应用路径

随着信息时代的来临，计算机视觉技术在图像处理技术中得到了越来越多的应用，它能使图像的质量得到提高，利用三维体素映射出目标的三维坐标，能够真实地反映出目标在空间中的位置，控制体素的亮度、色彩，从而获取立体影像信息。为防止立体投影仪造成的影像畸变，必须应用比ＢＰ 神经网络更精确的影像运算和影像处理技术，并利用高速投影机、散射屏、基于ＣＮＮ 模型的深度学习方法，以实现较好的影像复原效果［２］ 。

３．１ 计算机视觉显示系统设计

３．１．１ 光场重构

与传统的２Ｄ 显示方法相比，为获得更加逼真的３Ｄ显示效果，必须使用更加复杂和先进的处理技术，才能获得理想的像素处理效果。在三维数据分析中，要构造出一个完整的三维空间，在此基础上，将三维空间中的各个基本单元作为一个像素点，并采用三维坐标来表示，而真实的三维影像则是由许多立体的像素点组成。光场的重建需要借助光机和机构的运动来完成。

例如，目前主要通过五维光场函数进行图像处理，利用该函数，能对三维空间中的图像内容进行分析，目前图像的３ 位坐标主要使用Ｆ：Ｌ∈Ｒ５→∈Ｒ３ 来描述，Ｌ ＝［ｘ，ｙ，ｚ］为下方向，数字图像色彩的数据信息是Ｙ ＝［ｒ、ｇ、ｂ］。在三维模型和纹理的显示过程中，采用了离散的集合形式，利用Ｌｉ ＝［Ｐｉ，Ｙｉ］来表达３Ｄ 空间中的色彩和位置，并基于光场的扩散曲线来确定光场视觉算法。然后，利用３Ｄ 光场重建了ｈ 深度的子集，在不同的深度情况下，将其分割为若干子集合，利用二维投影、散射屏幕重建光场，从而获得三维影像。

目前，相关技术研究人员认为，利用二维投影技术可以重建快速转动的影像，从而使影像在三维光场中得到重建。

３．１．２ 显示系统设计

目前，利用旋转式液晶显示点阵系统进行图像分析的结果表明，利用成像方法重建三维立体光场，只能形成圆柱形，无法获得良好的视觉位置和分辨率。利用ＡＲＭ 芯片的优良性能，计算机视觉算法能够实现与图像信息的智能交互，从而形成一个真实的立体显示器，可以从不同的角度观测所形成的立体影像，并进一步提高图像的像素和清晰度，使体素的存储容量达到３０ＭＢ。具体的设计过程是：采用３ＤＳＭＡ 进行数字模型化、图像格式转换、纹理贴图，提取坐标色彩信息，组织技术人员进行交叉分析、抽取像素色彩信息。

在图像处理的过程中，将人体的三维数据通过ＵＳＢ 接口发送到ＳＤＲＡＭ 中，然后由ＦＰＧＡ 对图像进行处理，最后将图像信息发送到ＡＲＭ。在旋转物体的图像显示中，ＡＲＭ 處理后的影像信息被传输至旋转物体显示装置，ＦＰＧＡ 将转换后的影像信息投影到散射屏上，由马达和编码器对其进行调解，并将调节位置反馈至ＦＰＧＡ，由该编码马达向驱动模块发送定位信息［３］ 。

在三维场景中拍摄物体时，要从立体角度显示物体，对存储在物体上的数据进行扫描，利用视频获取技术将物体的编号输入物体中，从而判断出物体所要处理的图像数据。然后通过ＤＭＤ 控制设备、投影机等对数据和图像进行处理与投射，通过传输方向散射实现图像的投射。

在高速图像处理中，编码马达是一个必不可少的先决条件，它既能监测转台的角度和速度，又能把监测信号传输到控制器，从而达到闭环控制的目的。在高速运行时，由同步控制装置获取编码电机的位置信息，并与ＤＶＩ 视频信号相结合，使控制器能够依据编码器的信号状态生成帧频率信号，从而保证了散射屏的位置和投影仪同步。散射屏采用方位型，倾斜角度为４５°，与投影机、光学系统保持同步。

步进马达能实现对散射屏幕方向和速度的定向调整，以及使底座旋转。在开展展览、会议等活动时，通过此装置结合遥控方式进行精密地旋转，并安装黑色的吸光片，可以防止投射时的光线泄露。通过在玻璃罩子上放置光电传感器，可以将运动的仿真信号转换成数字信号，然后通过ＡＲＭ 处理器将处理后的数据传送到步进电机，继而实现对３Ｄ 图像的精确旋转，以满足用户对３Ｄ 图像的需求，从而达到与用户互动的目的。

上转台是用来带动方向散射屏幕转动的，从而达到立体投影的效果，而下转台则是用来驱动整个设备，通过蓝牙、局域网等方式采集控制信号，然后把控制信号传送到步进电机。在展览、会议等场合，通过远程控制设备，实现３６０°全方位的展示［４］ 。

３．２ 图像畸变矫正算法

３．２．１ 畸变矫正

基于计算机视觉的方法，可以充分发挥计算机图像处理技术的优点，使处理畸变图像更加方便灵活。

采用投射装置进行垂直投影，但由于视场变化，垂轴的放大倍数会逐渐增大，从而导致像素点发生明显的偏移。当偏差距离超过规定范围时，会产生失真的问题，因此，必须采取相应的图像处理技术，以确保恢复后的图像的保真度，避免因畸变严重而导致的失真。

目前，径向畸变和切向畸变是主要的畸变类型，切向畸变导致的畸变并不明显，所以在处理畸变时应把径向畸变作为研究的重点，而轴向畸变有桶形和枕形畸变。

人们普遍认为，造成图像失真的原因是空间状态的扭曲，即所谓的曲线失真。利用二次多项式矩阵来确定失真系数，当有较大的失真时，这种方法不能采用。

然而，由于多项式的数目越来越多，在处理失真时所使用的矩阵的反演也就越大，因此使用程序设计技术来解决和处理这类问题将会很困难。利用ＢＰ 神经网络的方法校正图像的失真，可以进一步提高处理的准确率，并与计算机视觉相结合，实现更深层次的校正。卷积神经网络具有较好的图像失真处理能力，它类似于生物神经网络，利用相似权重构建了一个共享网络，进而利用网络模型降低了图像处理的难度，也减少了相应的权重，具有更强的识别和概括能力。

３．２．２ 畸变图像处理

ＣＮＮ 卷积神经网络具有较强的图像处理能力，以及优秀的稀疏连接性和权重分享性，同时具有较强的学习和训练能力。在处理变形图像时，其具有良好的连接模式，只要一次输入足够多的图像信息，便能有效提升ＡＩ 的图像处理能力，且不需要重新抽取图像信息，就能有效提升图像处理效果。

通过权值分配，用户能够获得较好的学习效果，降低了学习和训练的难度，便于对数据的容量进行控制，并能更精准地发现问题。卷积神经网络算法采用卷积层和池化层，不会出现明显的特征采样，利用卷积神经网络的权重来进行深度学习，并利用卷积神经网络的权重来减少训练参数，使其易于调节和控制，从而提高失真处理的普遍性［５］ 。

利用卷积神经网络的解析度来表示图像数据，它和数字图像的处理方法一致，但由于图像会发生几何变形，因此要进行正确的判别和训练，只需要对变形的形状进行预测和分析，就可以得到正确的测量窗口，从而实现精确的切割。比如，一个数码格式的影像分辨率仅为２２７×２２７，经过相减运算，其由２ 个全连接层和５个卷积层组成，然后将影像资料转换成符合卷积神经网络运算的条件，并将其设定成同样的解析度。

３．３ 图像处理技术程序的实现

相关人员可以利用Ｍａｔｌａｂ 软件建立图像的数学模型，并利用程序对图像的畸变进行分析和计算。在確定和处理图像的过程中，为提升卷积神经网络的处理能力，以１ ０００ 个畸变和标准图像作为ＡＩ 处理样本。该系统采用了基于ＤｅｅｐＬｅａｒｎｉｎｇ 的计算机视觉算法，对畸变图像进行了处理和校正，在进行校正时，首先要将图像中的各个像素点进行映射，然后根据不同的灰度差来确定灰度。它具有低通滤波器的特性，校正精度高，没有灰度的缺陷。因此，利用二次线性内插方法，可以分析和计算出４ 个失真点周围的４ 个灰度值的畸变值。

在对图像进行几何变形的情况下，利用计算机视觉方法构建ＣＮＮ 模型，对卷积和下降取样层数进行适当的分配，并确定下降的取样幅度，并将其与卷积神经网络相结合。利用灰度差中的双线性插值方法，可对畸变图像的点位灰度进行优化，并对各畸变点进行处理，使１ ０００ 张图像中的畸变点全部被处理，从而获得校正后的完整图像。

为降低卷积神经网络的运算难度和缩短变形处理的时间，将变形校正图像分为２ 个阶段，第１ 阶段采用ＣＮＮ 模型进行校正，第２ 阶段合理分配校正参数。在进行参数修正时，首先要建立１ 张查询表，并将它作为一种常用的形式，确保其有足够的存储空间。然后，将已录入的图像数据与相应的灰度值相结合，将当前的灰度值设定为设定值，从而能够进行数字图像的处理和修正。通过这种方法，可以在初始化阶段根据映射表建立数字图像的ＣＭＭ 模型，并通过此模型对图像的变形进行处理，并实现检索表的自动生成［６］ 。

４ 结束语

利用卷积神经网络进行变形校正，并在此基础上构造一种新的自适应算法，能有效提升计算机图像处理的效果，在目前的计算机图像处理方面有着较为广阔的应用前景，该方法在实际应用中比多项模型和ＢＰ 神经网络的处理效果更理想，具有很好的稳定性和推广能力，有着较好的应用前景。

参考文献：

［１］ 王丽．计算机图像处理技术的应用及其发展趋势展望［Ｊ］．信息系统工程，２０２２（１２）：１０１?１０４．

［２］ 谢晓旦．计算机视觉算法的图像处理技术研究［Ｊ］．无线互联科技，２０２２，１９（３）：１０３?１０４．

［３］ 付正广．计算机图像处理与识别技术的应用研究［Ｊ］．黑龙江科学，２０２１，１２（２４）：１１０?１１２．

［４］ 叶一帆．基于计算机视觉算法的图像处理技术研究［Ｊ］．长江信息通信，２０２１，３４（１０）：７３?７５．

［５］ 杨璐．基于计算机视觉算法的图像处理技术研究［Ｊ］．信息记录材料，２０２１，２２（９）：１３４?１３５．

［６］ 贺银平．计算机视觉算法的图像处理技术的探究［Ｊ］．电子世界，２０２１（４）：９６?９７．

作者简介：李渊（１９９６—），硕士，助教，研究方向：机器学习、图像处理。