图像重建下视觉信息传达优化方法仿真.pdf

212第40 卷第6 期2023年6 月真机计仿算文章编号：1 0 0 6-9348（2 0 2 3）0 6-0 2 1 2-0 4图像重建下视觉信息传达优化方法仿真聂青青，张文博（山西农业大学，山西晋中0 30 8 0 1）摘要：若图像较为模糊或出现破损情况，会直接降低图像的信息传达质量。为提升图像的视觉信息传达效果，提出基于图像重建的视觉信息传达效果优化方法。对原始图像展开去噪处理，基于去噪结果提取图像相关特征向量，结合PCANet模型实现图像重构，初步提升图像的视觉信息传达效果；基于图像重构结果，从图像亮度增强与图像细节增强两个方面优化图像信息；最后将二者整合，提升重构图像的亮度、细节信息，完成图像视觉信息传达效果优化，并通过设计UI界面将优化效果展示给用户。实验结果表明，利用所提方法开展视觉信息传达效果优化时，增强了信息的传达效果，图像细节信息得到了完善。关键词：图像重建：视觉信息：传达效果优化；图像去噪；图像增强中图分类号：TP391文献标识码：BSimulation of Visual Information Communication OptimizationMethod under Image ReconstructionNIE Qing-qing,ZHANG Wen-bo(Shanxi Agricultural University,Jinzhong Shanxi 030801,China)ABSTRACT:In order to improve the communication effect of visual information,this article proposed anoptimization method based on image reconstruction.Firstly,the noise was removed from the original image.Based onthe denoising result,related feature vectors were extracted.In combination with PCANet model,the image reconstruc-tion was completed,thus preliminarily improving the visual information transmission effect of the image.Based on theimage reconstruction result,the image information was optimized from the aspects of brightness enhancement anddetail enhancement.Finally,the two were integrated to improve the brightness and detail information of the reconstruc-ted image,thus completing the optimization of the visual information transmission effect.Meanwhile,the optimizationeffect was shown to users by designing the UI interface.Experimental results show that the proposed method can en-hance the information transmission effect and improve image details.KEYWORDS:Image reconstruction;Visual information;Optimization for Communication effect;Image denoising;Image enhancement1引言数字图像本质上是一个二维矩阵，矩阵中各个点为图像的像元。但是由于目前数字图像通常为三维图像，因此二维平面图像在转化成三维图像时容易出现图像转换不完整以及图像破损严重等问题，这样会直接对图像的视觉信息传达带来严重影响。当传统的视觉信息传达2 方法无法满足当前人们对于视觉信息传达效果的需求，提出更加简洁高效的视觉信息传达效果优化方法，就变得尤为重要。收稿日期：2 0 2 2-0 6-2 1文献3 方法首先建立一个卷积神经网络，并让该网络同时具备不同尺度的卷积核，通过对网络的训练完成图像初步特征提取；再设计一个跳跃的连接结构深度提取图像特征；最后通过图像特征展开权重计算和照度估计，通过计算结果有效提升图像的亮度、对比度，实现视觉传达时的效果优化。文献4 方法首先建立一个Exposure框架图像增强模型,并引人相对均值生成对抗网络强化学习框架，增加模型的辨别器辨辩识能力;再将行动者-评论家算法中的目标函数作为梯度算法的惩罚策略，提升模型的图像增强能力；最后通过优化后的模型完成对图像视觉信息传达效果的提升。文献5 方法首先建立一个Retinex模型,在图像空间中将图213像V通道复制到Retinex模型的各个层级中；再通过模型增强层，采用加权引导滤波消除图像光晕，在亮度增强层级通过自适应归一化函数进一步增强图像亮度；最后通过细节突出层级结合人工蜂群算法突出图像的细节，实现图像视觉信息传达效果的优化。上述方法通过图像增强处理均能够达到视觉效果优化的目的，但是由于未对图像展开去噪处理，导致上述方法的图像视觉信息传达效果优化效果不佳。为解决上述问题，提出基于图像重建的视觉信息传达效果优化方法。2图像重建在视觉信息传达时，图像经常会在传达过程中出现破损与缺失问题，同时图像内部的噪声也会影响图像的视觉信息传达效果，为提升图像在视觉信息传达时的传达效果，在视觉信息传达时，需要及时滤除图像中的噪声，对图像展开重建，初步提升图像信息传达时的效果。2.1图像去噪在滤除图像噪声时，首先需要建立一个PM模型，通过模型中的梯度算子区分噪声对图像梯度变化以及边缘图像梯度变化的影响,划分完成后去除噪声引起的变化状态，保留边缘最大梯度值，经由迭代计算，获取去噪后的图像，完成图像噪声的滤除6.7 首先设定梯度算子为，散度算子为，以此建立PM模型，模型表述形式如下式所示：(BI=b(l 1)1 t(1)(I(t=0)=I。式中，模型扩散方程为b（IIl），图像梯度变化为I,阈值梯度变化状态为t，图像阈值为t,原始图像梯度为Io。检测图像噪声时，首先将模型中的SUSAN模板与图像像素重合，模板遍历所有图像后，通过模板中心像素灰度差值的计算，获取图像噪声的辩识函数，结果如下式所示：b(,%)=8(2)式中，模板中心像素灰度为I(）,其它像素值为I(），辨识()。根据上述函数为b（%。），图像像素分量为8建立的辨识函数，计算图像中像素点的边缘检测算子8 ，获取边缘检测函数R(%。）。获取边缘检测函数之后，设定图像的梯度方向为i，垂直梯度为m2，图像特征向量扩散强度设定成sm，以此确定图像FFS区域。基于确定的FFS区域获取各个像素点的四邻域差值，计算图像各个像素点的灰度值与灰度阈值，结果如下式所示：H(ij)=V+A+A+A/4(3)(T=d(ij)eXErs(H(i,j)式中,中值算子为a,像素灰度值为H(i,j），像素位置为（i，j），图像的四方邻域值分别为A，A,，A确定图像阈值参数后，将获取结果带人式（2)展开计算，通过计算结果，划分图像中噪声以及边缘，并对噪声实施滤除处理，实现图像的去噪2.2图像重构图像去噪后，提取图像特征，实现图像重构9,1 0 ，初步实现图像视觉信息传达效果的提升。PCANet算法是典型的线性分析方法，但是由于该方法无法有效提取图像的非线性特征，所以需要引入核函数结合PCANet模型，实现图像深度特征的提取，特征提取流程如下：1)对图像实施采集，并将采集图像缩放至原始图像大小，获取对应的LR图像。将图像对数量设定成，将采集图像用kxk大小的滑动窗口分解成mxn个图像块，并将分割的图像块转换成矩阵形式。2)将采集的图像整合成样本集，通过非线性映射函数中（）映射至高维空间中。3)完成映射后,设定模型中i层级的滤波数量为K1，以此计算输入矩阵的最小化重构误差，建立滤波矩阵，获取图像特征向量1 基于上述提取的图像特征值，利用PCANet模型1 2 对特征实施二值哈希编码，将特征图像再次分解成若干特征映射，获取图像的稀疏系数值。映射函数确定后，基于获取的滤波以及特征映射建立重构目标函数，通过函数最优解对滤波器及其对应特征实施卷积实现图像重构，初步实现图像视觉信息传达效果的提升，结果如下式所示us,a=millc-Z5(mi;a,),s.t.llfhe,I w,=1(4)NhZcgxmhm一式中，建立的目标函数为fh,滤波器能量为e,图像重构结果为z，特征图像为mh。3图像视觉信息传达效果优化完成图像重构后，能够初步提升图像视觉信息传达效果,在此基础上,通过对重构图像亮度、细节的增强处理1 3实现图像视觉信息传达效果的进一步优化。在图像增强过程中，将图像的增强流程分为亮度增强与图像细节增强两个部分，首先对图像整体亮度展开增强处理；基于处理结果建立局部细节增强模型，制定目标函数，通过目标函数计算结果，完成图像的细节增强；最后将二者整合，提升重构图像的亮度、细节信息，完成图像视觉信息传达效果优化。3.1基于HSV空间的图像增强方法完成图像重构后，虽然能够极大限度的保证图像整体性，但是重构后图像会出现颜色失真的现象，因此需要对图像实施HSV空间增强1 4214在图像空间中,设定图像RCB空间的R,G,B向量不仅代表图像颜色，还表示图像的亮度信息，将图像内部两个像素点设定成R1,G1,B1、R2,G 2,B2 形式,以此获取图像的空间颜色比例值，过程如下式所示R2G2B2=(5)R1G1B1式中，图像的空间颜色比例值为V。为增强图像的整体颜色，需要对图像各个像素点的亮度实施增强处理。设定图像的亮度增益曲线为u（p,q）,H SV颜色空间的V分量即为图像亮度分量，以此提取图像亮度分量值，基于亮度分量值提取结果，获取图像的亮度反射分量，即可实现图像的整体亮度增强。但是由于增强时将原始图像亮度低的部分同时进行了增强处理，导致图像暗部出现噪声，失去原有细节，因此需要建立调节因子对颜色亮度分量展开调节，降低图像噪声，提升图像局部细节，结果如下式所示入(p,q)=0 sin V(p,q)/255(6)式中，调节幅度为o,待增强亮度值为V(p,9），调节因子为入(p,g）,正弦曲线向量为sin3.2细节增强方法图像完成整体增强后，为进一步突出图像的细节，需要利用图像的全局、局部信息，建立图像的局部线性增强模型，模型表述形式如下式所示Dlocal(,q)(p,q)(7)式中,细节增强输出结果为Qloca（p,9），邻域标准差为（p，q），全局均值为D,变化系数为u。为使模型增强效果达到最佳，且满足自适应要求，根据上述建立的模型制定最佳目标函数，从而更好的完成图像的细节复原1 5，实现图像视觉信息传达效果优化，目标函数表述形式如下式所示(H-1)29=10log1(8)m-1,n-I(p,q)-E(p,q)2mnpq=0式中,建立的目标函数为9,图像灰度级为H,增强后的图像为E(p,q)。基于上述图像增强结果，提升图像视觉传达信息的完整度，增强图像局部细节，从而实现对图像视觉信息传达效果的优化。上述分析从理论角度对图像视觉信息传达效果进行了优化，为了进一步提升图像视觉传达优化的可视化效果，通过UI界面将视觉传达图像与信息传递给用户，提升用户的视觉感受效果。本文所设计UI界面如图1 所示。由图1 可知，UI界面主要包括三层架构，其中，视觉传达要素主要包含5个方面：色彩、文字、图标、图片以及空间。通过对上述五个元素的处理将增强后的图像传输至可视化展示界面，实现可视化UI界面与用户的实时交互。用户用户端图像视觉传色彩文图标空间字达要素可视化展示界面展示端图1图像视觉信息传达UI界面示意图4仿真研究为了验证上述图像视觉信息传达效果优化方法的整体有效性，需要对此方法测试。实验所用图像来自The MNISTDatabase数据集，基于MATLAB仿真软件测试所提方法、文献3 方法和文献4 方法的优化效果,通过对比测试,验证所提方法的有效性。测试过程中，使用PhotoShop5.0软件作为图像处理软件，测试流程如下：1)通过梯度算子获取垂直方向梯度图像，进而取得图像梯度幅值，对不同优化图像实施灰度处理，获取灰度图像，通过软件内部Filter-Stylize-Find Edges完成图像边缘抽取，获取不同方法的图像边缘，展开边缘完整性测试。2)将不同方法优化后的图像实施平滑、锐化处理，获取不同图像去噪结果，通过对比验证不同方法的去噪效果3)使用不同方法对原始图像实施效果优化，获取不同方法的视觉传达效果增强图像，对三种方法优化后的图像展开对比测试，验证不同方法的有效性。通过上述测试流程，对不同方法展开性能检测，获取不同图像优化方法的优化效果。1）图像传达信息优化效果测试基于上述三种方法开展图像视觉信息传达效果优化时，为验证上述三种方法的有效性，去噪效果和优化效果两个方面,测试所提方法、文献3 方法以及文献4 方法的视觉传达信息优化效果，采用所提方法、文献3 方法以及文献4 方法开展图像视觉信息传达效果优化时，图像去噪过程尤为重要，去噪效果的优劣能够直观反映信息优化方法的优化效果，上述三种方法的去噪效果测试结果如图2 所示。分析图2 可知，文献3 方法能够明显看出图像暗部区域的处理偏差较大，容易丢失大量的细节信息；文献4 方法虽然去噪效果优于文献3 方法，但是图像整体亮度较低；所提方法由于在图像信息优化前就对图像展开去噪处理，使得图像优化后的边缘信息完整，整体图像去噪效果更自然基于上述测试结果，将三种方法实际应用于视觉信息传215下转第2 54页）(a）原始图像(b)所提方法(c)文献3 方法(d)文献4 方法图2不同方法的去噪效果监测结果达效果优化中，以检测上述三种方法的图像信息实际优化效果，结果如图3所示。(a)原始图像(b)所提方法(c)文献3 方法(d)文献4 方法图3不同方法的视觉信息传达优化效果图分析图3可知，所提方法的优化效果明显优于其它两种方法的图像视觉信息优化效果。由此可证明，使用所提方法开展图像传达信息优化时，优化性能好。2）优化时间测试基于上述测试结果，对上述三种方法在视觉信息优化时所用耗时展开测试，测试结果如表1 所示。表1不同方法的信息优化耗时测试结果待测试图像视觉信息优化耗时测试结果/ms数量/张所提方法文献3 方法文献4 方法1015 ms18 ms20 ms2022ms25 ms35 ms3036 ms39ms52ms4045 ms47 ms64 ms5055 ms62 ms88 ms分析表1 可知，图像中边缘信息越多，视觉信息在传达时所需要的优化时间越长。其中所提方法能够在图像数量不断增加，且边缘信息越来越多的情况下，将优化耗时控制在6 0 ms内，低于文献3 方法和文献4 方法，进一步证明了所提方法在开展图像视觉信息传达效果优化时具有较高的图像处理效率。5结束语随着图像在信息传递中起到的作用越来越大，图像的视觉信息传达效果优化就变得尤为重要。针对传统图像的视觉信息优化方法中存在的问题，提出基于图像重建的视觉信息传达效果优化方法。该方法基于图像去噪结果提取图像特征，完成图像重构，并结合图像亮度提升以及细节突出增强等处理方法对重构图像展开进一步增强优化，实现视觉信息传达效果优化提升。该方法由于在图像特征提取时还存在问题，今后需要针对该项问题，优化该方法。参考文献：1王建宇，李春来.高光谱遥感成像技术的发展与展望J.空间科学学报,2 0 2 1,41(1)：2 2-33.2倩。视觉传达设计中视觉思维模式的创新J黑河学院学报,2 0 2 0,1 1(9)：1 47-1 49.3江泽涛，覃露露，秦嘉奇，等.一种基于MDARNet的低照度图像增强方法J.软件学报，2 0 2 1,32（1 2）：39 7 7-39 9 1.4郭业才，周腾威.基于深度强化对抗学习的图像增强方法J.扬州大学学报（自然科学版），2 0 2 0,2 3（2）：42-46,51.5龙鑫，何国田.基于多层融合和细节恢复的图像增强方法J.计算机应用研究，2 0 2 0,37（2）：58 4-58 7.6周先春，张浩，吴婷，等.拟合扩散的自适应图像去噪方法J.电子测量与仪器学报，2 0 2 0,34（2）：97-1 0 6.7李忠伟，张浩，王雷全，等。融合空谱-梯度特征的深度高光谱图像去噪J.光学精密工程，2 0 2 2,30（5）：6 1 5-6 2 9.8杜绪伟，陈东，马兆昆，等.基于Canny算子的改进图像边缘检测算法J.计算机与数字工程，2 0 2 2,50（2）：41 0-41 3,457.9覃亚丽，梅济才，任宏亮，等基于高斯平滑压缩感知分数阶全变分算法的图像重构J.电子与信息学报，2 0 2 1,43（7）：2 1 0 5-2112.254上接第2 15页）5结论本文提出了一种基于联合天线选择的多用户方法MassiveMIMO系统能效优化算法，首先，根据朗伯函数的性质，根据不同的用户数求得最佳发射功率和最佳发射天线数。然后，通过引人联合的天线选择方法，采用凸优化方法求解最佳发射天线子集，进一步优化系统能效。仿真结果表明，所提出的能效优化算法能够使得能效明显提高。参考文献：1 Isabona J,Srivastava V M.Downlink Massive MIMO Systems:A-chievable Sum Rates and Energy Efficiency Perspective for Future5G Systems J.Wireless Personal Communications,2017,96(2):2779-2976.2王正强，杨晓娜，万晓榆，等.大规模MIMO系统能效优化算法研究综述J.重庆邮电大学学报（自然科学版），2 0 19，31(6):743-752.3刘紫燕，刘世美，唐虎，等.多用户MassiveMIMO系统能效资源分配方案J.中国科技论文,2 0 18,13（14）：16 58-16 6 3.4刘世美，刘紫燕，唐虎.基于能效的多用户MassiveMIMO天线选择技术研究J.通信技术，2 0 17,50（10）：2 2 55-2 2 6 1.5张瑞清，李晖，宋选安，等.大规模MIMO系统中能效优化设计J.现代电子技术,2 0 2 0,43(7：1-5.6Hossain M,Cavdar C,E Bjornson,et al.Energy Efficiency ofMassive MIMO:Coping with Daily Load Variation J.ComputerScience,2015,43(5):1-7.7Zheng C,Wang Z,Guo X,et al.Energy Efficient ResourceAllocation for Wireless Power Transfer Enabled Massive MIMO Sys-tem C.Global Communications Conference,IEEE,2016.8胡莹，冀保峰，黄永明，等.基于上行多用户大规模MIMO系统能效优化算法J.通信学报，2 0 15,36（1)：7 2-7 8.9Ng D,Lo E S,Schober R.Energy-efficient resource allocation inOFDMA systems with large numbers of base station antennas J.IEEE Transactions on Wireless Communications,2012,11(9):10 刘嘉敏，郑超，张丽梅，等.基于图像重构特征融合的高光谱图像分类方法J.中国激光，2 0 2 1,48（9）：2 0 3-2 12.11郑志强，胡鑫，翁智，等.基于改进DenseNet的牛眼图像特征提取方法J.计算机应用，2 0 2 1，41（9）：2 7 8 0-2 7 8 4.12陈飞玥，朱玉莲，陈晓红.多层特征融合的PCANet及其在人脸识别中的应用J.南京师大学报（自然科学版），2 0 2 1，44(2):127-133.13瞿中，张玲.基于细节增强的多曝光图像融合算法J.计算机工程与设计，2 0 2 1,42（4)：98 5-98 9.3292-3304.10Li H,Song L Y,Debbah M.Energy efficiency of large-scale mul-tiple antenna systems with transmit antenna selection J.IEEEtransactions on communications,2014,62(2):638-647.11李亚如.Massive MIMO系统下行链路预处理技术研究D.西安科技大学，2 0 19.12Lee B M,Choi J H,Bang J H,et al.An energy efficient antennaselection for large scale green MIMO systems C.IEEE Interna-tional Symposium on Circuits&Systems.IEEE,2013:950-953.13Guo K,Yan G,Ascheid G.Energy-Efficient Uplink Power Allo-cation in Multi-Cell MU-Massive-MIMO Systems C.EuropeanWireless,European Wireless Conference,VDE,2015.14李洁.基于天线选择技术的MassiveMIMO系统能效优化问题研究D.郑州大学,2 0 15.15李国民，李亚如，李新民，等。一种改进的大规模MIMO发射天线选择算法J.电讯技术，2 0 19,59（4）：395-40 0.16李国民，郭甜，李新民，等.多用户大规模MIMO系统能效资源优化算法J中国科技论文，2 0 2 1,16(3）：32 0-32 4.17Mahdi Eskandari et al.Antenna selection and power allocation forenergy efficient MIMO systems J.Journal of Communicationsand Networks,2018,20(6):546-553.18Li J,Li S Z,Mu X M,et.al.Energy efficiency of very large multi-user mimo systems with transmit antenna selection J.International Journal of Multimediaand Ubiquitous Engineering,2015,10(6):243-252.作者简介李国民（196 5-），男（汉族），湖南省宁乡市人，教授，硕士研究生导师，主要研究领域为通信信号处理、信息技术应用。李甜（1996-）,女（汉族），陕西省西安市人,硕士研究生，主要研究领域为大规模MIMO能效问题。李新民（197 7-），男（汉族），陕西省岐山市人，西安科技大学讲师，主要研究领域为宽带无线通信技术。14张红颖，赵晋东.HSV空间的RetinexNet低照度图像增强算法J.激光与光电子学进展,2 0 2 0,57（2 0）：2 94-30 1.15杨燕，王志伟.基于补偿透射率和自适应雾浓度系数的图像复原算法J.通信学报，2 0 2 0，41（1）：6 6-7 5.作者简介聂青青（198 8-），女（汉族），山西太原人，硕士，讲师，研究方向：图形设计、视觉传达、文创设计。张文博（1991-），男（汉族），河南焦作人，硕士，讲师，研究方向：室内设计、景观设计。