di-…一d。1一d。的順序，對某一適合需求的層次的偏移量小波系數(shù)集合做 W下操作：首先對當(dāng)前集合di(i= 1，2,…，n，n為當(dāng)前層級網(wǎng)格的偏移量總數(shù)），設(shè)闊值 E:.:::: 4。依次將d沖的每一個小波系數(shù)新1 <i《巧和闊值e1比較，若小波系數(shù)大 于闊值，則選擇該小波系數(shù)所屬的S維點作為備選的特征點保存。然后檢測當(dāng)前分辨率下 的集合中所有符合條件的特征點數(shù)目，如果數(shù)目大于預(yù)設(shè)值（本發(fā)明考慮精度和運算量將 備選特征點數(shù)目設(shè)置為2000)，則將當(dāng)前的闊值增大一倍，重復(fù)求取備選特征點。直到點的 總數(shù)不多于預(yù)設(shè)值，最終保存運些點作為特征點。最后遍歷所有的已保存特征點，對每個特 征點Vm,從模型的未經(jīng)處理的原始網(wǎng)格中找到其空間距離最小的點Vk,根據(jù)原始網(wǎng)格中為 每個頂點提供的在紋理空間的映射位置，得到該點在二維圖像空間上的對應(yīng)像素點Tyk,Tyk 即為所需要的紋理圖像特征點。
[0032] 將上述操作應(yīng)用到幾組S維模型的紋理圖像上，可得附圖5中的一系列結(jié)果。在 圖中可W清楚地觀察到，所求得的紋理特征點精確地分布在模型幾何形狀復(fù)雜的部分對應(yīng) 的紋理區(qū)域，如附圖5 (a)中衣物的權(quán)皺、附圖5(b)中BucMha的頭部、附圖5(C)和（d)中 Rabbit面部及身上的花紋，W及圖5(e)、（g)、（f)、化）中Bear的面部和四肢等區(qū)域。。
[0033] 通過前面的網(wǎng)格特征點提取及特征點對UV坐標(biāo)系的映射，可W獲得紋理圖像中 的特征點的分布。因此，如果能夠確定一些區(qū)域，讓運些區(qū)域完全包括特征點，就可W得到 所需要的感興趣區(qū)域R0I。位于同一區(qū)域的特征點，彼此之間的紋理坐標(biāo)應(yīng)當(dāng)接近。因此 可W把圖片特征點的二維紋理坐標(biāo)作為研究對象進(jìn)行分析，根據(jù)坐標(biāo)的接近程度對不同特 征點進(jìn)行分類。將物理或抽象對象的集合分成由類似的對象組成的多個類的過程被稱為聚 類。經(jīng)過對圖像特征點進(jìn)行聚類而形成的ROI區(qū)域，可W進(jìn)一步對圖像小波變換域的系數(shù) 進(jìn)行處理。K-means聚類算法恰好適用于解決對象規(guī)模較小的二元問題。
[0034]首先將紋理的特征點集合看作未聚類的初始點集，隨機(jī)選取n個種子點作為待聚 合的類的中屯、點；然后計算每個特征點到聚類中屯、的距離，并聚類到離該點最近的聚類中 去；隨后計算每個聚類中所有點的坐標(biāo)平均值，并將運個平均值作為新的聚類中屯、；最后 重復(fù)計算每個點到聚類中屯、的距離，并歸類到離該點最近的類中去，直到算法的結(jié)果收斂， 記錄完整包圍一個類所有特征點的矩形區(qū)域，即矩形包圍盒。如附圖6(a)-(d)所示，圖中 運些包含特征點的紅色邊緣圍繞的矩形區(qū)域即可被看作是圖像上人眼的感興趣區(qū)域。
[0035] 對原圖像進(jìn)行一步橫向的小波分解，用低頻帶存儲原圖像相鄰像素的均值，高頻 帶存儲相鄰像素差值的折半。再在縱向做一次同樣的操作，則圖像完成了一層小波分解，所 有低頻系數(shù)都存在于圖像左上角區(qū)域。如果對圖像繼續(xù)進(jìn)行化ar小波變換，則僅對原圖的 低頻部分操作即可。圖像經(jīng)過小波變換后，包含了一幅圖像不同分辨率的圖像金字塔的所 有內(nèi)容。小波變換操作并不會壓縮原始圖像的數(shù)據(jù)量，變換后的圖像的像素數(shù)目與原圖像 的像素數(shù)目相等。原始圖像經(jīng)過變換后，需要在對感興趣區(qū)域?qū)崿F(xiàn)優(yōu)先編碼，首先需要提 升區(qū)域內(nèi)部的小波系數(shù)；在解碼時也要相應(yīng)的降低ROI區(qū)域的系數(shù)。本發(fā)明采用最大位移 法，位移因子S滿足S>max(Mb)，其中，Mb是小波系數(shù)幅值位平面的最大值，S是位移系數(shù)。 經(jīng)位平面提升的感興趣區(qū)域小波系數(shù)的最小幅度大于背景小波系數(shù)的最大幅值。W幅值r 為界限，幅值小于該值為背景小波系數(shù)，幅值大于該值為感興趣區(qū)域小波系數(shù)。所W在附圖 7(b)中背景顏色為黑色。確定ROI區(qū)域小波系數(shù)后，將運些系數(shù)右移S位，即可還原ROI區(qū) 域系數(shù)。
[0036] 對本發(fā)明提取的紋理ROI區(qū)域進(jìn)行六層金字塔迭代運算后生成二值化的小波系 數(shù)模板。模板大小和圖7(a)的紋理圖像相同，附圖7(c)中模板的白色區(qū)域?qū)?yīng)所有頻帶 中需要保留的小波系數(shù)所在的區(qū)域。需要保留的小波系數(shù)包括高頻帶中感興趣區(qū)域的小波 系數(shù)W及低頻帶的全部系數(shù)。附圖7(d)中對于低頻帶背景系數(shù)的提升，將會讓圖像在重建 時得到較好的整體顯示效果。
[0037] 嵌入式零樹小波編碼巧ZW)充分利用了小波圖像金字塔形態(tài)數(shù)據(jù)的統(tǒng)計特性，改 善了小波系數(shù)的組織方法，保證了重要的小波系數(shù)優(yōu)先表示和編碼，降低了對非重要系數(shù) 的位運算次數(shù)，并有效的提高了反映圖像重建質(zhì)量的峰值信噪比。EZW首先選擇初始闊值 (首次掃描得到的闊值）'拘:::姑其中{|ci, ,|}是L級小波的分解系數(shù)，|ci, , 是Ci,,的絕對值，之后的每次掃描的闊值是前次掃描闊值的一半：
（i= 1，2,…， L)，然后是主輔掃描，記錄系數(shù)的符號位P、NW及零樹根T和孤立零點Z，并對小波系數(shù)進(jìn) 行量化，最終輸出編碼信號。
[0038] 經(jīng)過最大位移法提升處理的小波系數(shù)應(yīng)用嵌入式零樹小波壓縮編碼，對于EZW編 碼主掃描和輔助掃描的輸出結(jié)果，可W借助霍夫曼編碼再次壓縮，最終編碼成的二進(jìn)制文 件，即為紋理圖像的壓縮文件。網(wǎng)絡(luò)傳輸時，解碼器可隨時用接收到的小波系數(shù)對圖像進(jìn)行 重建，解碼操作可看作是編碼操作的逆過程。值得注意的是，對于經(jīng)過提升區(qū)域內(nèi)部的小波 系數(shù)，在解碼時也要相應(yīng)的降低ROI區(qū)域的系數(shù)。
[0039] 通過搭建基于ROI的EZW編解碼實驗系統(tǒng)對本發(fā)明的方法進(jìn)行驗證，取得比較好 的實驗效果。對BucMha、R油bit、Bear等S維模型經(jīng)過最大位移法處理的紋理圖像小波 系數(shù)進(jìn)行嵌入式壓縮編碼和賭編碼，實驗?zāi)Ｐ偷募y理尺寸全部是4096X4096像素，未壓縮 紋理圖像的大小分別為：33. 4MB、33. 2MB和33. 1MB。應(yīng)用本發(fā)明提出的感興趣區(qū)域提取 方法提取特征區(qū)域并用嵌入式零樹小波壓縮算法做感興趣區(qū)域編碼處理，得到壓縮文件分 別為：1. 09MB、1. 15MB，相較原始未壓縮的紋理圖像文件，壓縮比為3. 6%、3. 3%、 3. 5%。
[0040] 在解碼端對壓縮文件中經(jīng)過位移處理的系數(shù)（R0I區(qū)域系數(shù)）進(jìn)行優(yōu)先解碼和圖 像重建：對于BucMha模型的紋理圖像，背景區(qū)域向解碼端暫時只傳遞了低頻帶系數(shù)，缺少 高頻帶小波系數(shù)，導(dǎo)致其分辨率大大降低；而ROI區(qū)域由于各個頻帶經(jīng)過位移提升的系數(shù) 全部傳送到解碼端，很好地保留了清晰度。
[0041] 利用壓縮文件中很少的一部分?jǐn)?shù)據(jù)（對BucMha壓縮文件來說是32. 0%的數(shù)據(jù)） 即可得到較好的紋理重建效果和貼圖顯示效果。最后，將壓縮文件連同剩余部分全部解碼。 由于對原始紋理圖像進(jìn)行Haar小波變換時只損失了小波系數(shù)小數(shù)數(shù)位的精度，而描述系 數(shù)幅值的整數(shù)部分沒有改變，因此可W依靠運些系數(shù)對圖像進(jìn)行精確的還原。
[0042] 對于實驗?zāi)Ｐ停ㄟ^傳輸具有高優(yōu)先級的30% -50%文件，即可W較好地復(fù)現(xiàn)原 模型的形態(tài)，對模型表面的復(fù)雜部分，紋理的清晰度較高。繼續(xù)傳輸剩余文件并用重建文件 貼圖，即可得到最高分辨率的顯示效果，和原始紋理圖像對網(wǎng)格模型的貼圖效果并無不同。
[0043] W上內(nèi)容是結(jié)合具體的優(yōu)選實施方式對本發(fā)明所作的進(jìn)一步詳細(xì)說明，不能認(rèn)定 本發(fā)明的具體實施只局限于運些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在 不脫離本發(fā)明構(gòu)思的前提下，還可W做出若干簡單推演或替換，都應(yīng)當(dāng)視為屬于本發(fā)明的 保護(hù)范圍。
【主權(quán)項】
1. 一種基于三維模型幾何信息的紋理圖形壓縮方法，其特征在于：所述方法首先對原 始圖形進(jìn)行預(yù)處理，確定感興趣的區(qū)域ROI，以生成ROI區(qū)域模塊；然后利用ROI區(qū)域模版 對預(yù)處理后的圖形作小波變換，對ROI對應(yīng)的小波變換系數(shù)進(jìn)行提升或降低背景系數(shù)，接 下來對感興趣形狀和位置信息編碼傳輸；其中，確定感興趣的區(qū)域R0I，以生成ROI區(qū)域模 塊具體為：利用模型網(wǎng)格數(shù)據(jù)求取紋理圖像上的人眼感興趣區(qū)域，根據(jù)紋理的視覺表現(xiàn)形 式，提取了代表三維模型多分辨率重網(wǎng)格化后表面細(xì)節(jié)信息的三維特征點及其在紋理空間 上的映射點作為紋理特征點；根據(jù)圖像空間的連續(xù)性，利用K-means聚類算法對圖像中的 特征點進(jìn)行了類聚合，取得了紋理圖像的感興趣區(qū)域并提高了感興趣區(qū)域和背景的區(qū)分精 度。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于：用分辨率方法處理三維圖形，將模型分為 粗糙的基網(wǎng)格和加入不同程度細(xì)節(jié)信息的多個層次，為網(wǎng)格建立四叉樹結(jié)構(gòu)，方便提取三 角網(wǎng)格在不同尺度下的幾何信息；所述模型網(wǎng)格數(shù)據(jù)采用Igor Guskov的基于多分支的半 正則重網(wǎng)格化處理得到。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于：在壓縮時去除貼圖前紋理圖像中的背景 像素。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于：所述K-means聚類算法對圖像中的特征 點進(jìn)行了類聚合具體為：首先將紋理的特征點集合看作未聚類的初始點集，隨機(jī)選取n個 種子點作為待聚合的類的中心點；然后計算每個特征點到聚類中心的距離，并聚類到離該 點最近的聚類中去；隨后計算每個聚類中所有點的坐標(biāo)平均值，并將這個平均值作為新的 聚類中心；最后重復(fù)計算每個點到聚類中心的距離，并歸類到離該點最近的類中去，直到算 法的結(jié)果收斂，記錄完整包圍一個類所有特征點的矩形區(qū)域。5. 根據(jù)權(quán)利要求1所述的方法，其特征在于：所述對ROI對應(yīng)的小波變換系數(shù)進(jìn)行提 升或降低背景系數(shù)具體為：提取的紋理ROI區(qū)域進(jìn)行六層金字塔迭代運算后生成二值化的 小波系數(shù)模板，需要保留的小波系數(shù)包括高頻帶中感興趣區(qū)域的小波系數(shù)以及低頻帶的全 部系數(shù)；采用最大位移法提升或降低處理的小波系數(shù)。
【專利摘要】針對傳統(tǒng)的基于機(jī)器視覺方法產(chǎn)品缺陷檢測適用對象的局限性以及壓縮過程中如何求取紋理圖像上人眼感興趣區(qū)域的問題進(jìn)行深入研究，本發(fā)明提出了一種基于三維模型表面信息的紋理圖像壓縮方法，利用模型網(wǎng)格數(shù)據(jù)求取紋理圖像上的人眼感興趣區(qū)域，根據(jù)紋理的視覺表現(xiàn)形式，提取了代表三維模型多分辨率重網(wǎng)格化后表面細(xì)節(jié)信息的三維特征點及其在紋理空間上的映射點作為紋理特征點，根據(jù)圖像空間的連續(xù)性，利用K-means聚類算法對圖像中的特征點進(jìn)行了類聚合，取得了紋理圖像的感興趣區(qū)域并提高了感興趣區(qū)域和背景的區(qū)分精度。通過搭建基于ROI的EZW編解碼實驗系統(tǒng)對本發(fā)明的方法進(jìn)行驗證，取得比較好的實驗效果。
【IPC分類】H04N19/96, H04N19/90, H04N19/63, H04N19/167
【公開號】CN105141970
【申請?zhí)枴緾N201510390491
【發(fā)明人】吳曉軍
【申請人】哈爾濱工業(yè)大學(xué)深圳研究生院
【公開日】2015年12月9日
【申請日】2015年7月3日