文摘
人们不满足于二维技术和三维虚拟技术逐渐进入人们的日常生活的方方面面:医疗、教育、社会交往、视觉,等等。虚拟三维科技为人们的生活带来很多方便和室内场景中扮演着核心的角色设计和布局。它使用户能够看到自己的虚拟室内家具和植被提前布局,选择和修改他们自己的需要。我们提出几个特点,室内家具的选择与位置排列信息,如没有空间限制,交互性和容错,以及先进的显示。我们构建图像转换注册检测的基本算法,最后优化的基本算法有三个不同的深度学习算法模型,并得到卷积层神经网络算法优于其他两个模型不仅在虚拟家具的选择和布置也在虚拟植物景观的布局设计。最后,对于图像缺陷检测,我们比较三个模型的时间成本,这进一步表明卷积层结合图像变换技术模型是快速和高效。
1。介绍
虚拟3 d技术越来越多的被广泛用于我们的日常生活中,尤其是在建筑设计、虚拟现实游戏、和人文教育。在不同的学术研究,数字3 d技术在人文教育现场,社区,和认知差异几个方面进行了良好应用价值(1]。除了上面介绍一些3 d技术的应用,虚拟技术也扮演一个核心价值应用游戏的发展,校园真实场景和虚拟技术结合起来,使学生在互联网上可以感受到校园环境(2]。在矫正治疗,面对病人的理想的脸,医生应该对病人进行3 d人脸检测和结合3 d成像与建模技术给病人最理想的治疗计划3]。许多文物在历史上出现不同程度的损坏。使用3 d技术恢复文物可以让我们的子孙后代reunderstand的精湛的技术和智慧的祖先当时(4]。内蒙古的黑丁碗是恢复,重建和恢复的外观是通过虚拟通过3 d技术,和假体材料被用于长期保存文物的5]。动画设计的古代建筑在影视作品中,有必要建立古代建筑和人物的相互统一根据当时特定的人物和环境(6]。一系列检测和切除颅内肿瘤手术的需要三维的支持技术,它可以有一个清楚地了解肿瘤的大小和位置,提高手术的成功率7]。在考古研究,将3 d技术集成到考古可以促进学生深入理解考古和全3 d推理,它贯穿整个考古过程(8]。珊瑚礁是海洋生态系统,维护生态系统的一个重要组成部分。破坏珊瑚礁的结构修复3 d技术显示3 d模型的可扩展性(9]。牙医的复杂原因,如相邻多余的牙齿,纸浆肿瘤和创伤,3 d虚拟图像通过计算机断层扫描(CT)技术,和副本由液晶面具生成有限元三维印刷技术(10]。实践教学的先天性心脏病,3 d印刷和心脏模型结合PBL教学技术选择(11]。人道主义的社会环境,为非洲和其他国家较差的医疗环境中,3 d技术和远程医疗是用来提供医疗援助患者在虚拟技术。我们共同的3 d成像不同于直接看图片和视频与我们普通的眼睛。二维成像,3 d的影响在人类的视觉凸而不是平面成像(12,13]。在服装设计的过程中,学生被教导要打印3 d时尚产品,3 d配件的原型,利用计算机辅助设计来提高学生的计算机辅助设计方法的理解(14),使用CAD和3 d技术制造高精度机械设备,建立一个低温测角仪,测量样品从不同角度(15]。然而,3 d打印技术也有一个牢不可破的困难,虽然它已经高精度印刷的优点显示平滑对象和印刷速度快(16]。该药物由3 d打印技术,和可控的同轴支架组织是用于长期稳定的药物释放17]。在整容手术,3 d设计也应用于颌面骨重建手术,可结合解剖学、和3 d植入增加这种手术的完美(18]。在鼻整形术中,模拟三维图像转化为定量的手术室的操作计划,这有助于定量转化目标减少背鼻整形手术室病人和病人术前的形式标记(19]。在数字教育空间、工程思维方式用于制定原则和支持学生研究方向活动导师在三维建模20.]。使用3 d打印技术在医学的目的是确定医学生是否愿意使用这种技术来获得准确的解剖模型来帮助他们学习21]。3 d打印技术越来越是可行的方法,该方法可用于自定义辅助技术的设计和制造。辅助技术的评估应该包括3 d印制个人信息活动,例程,技能,能力,和偏好(22]。陶瓷可以被复制和绘制3 d打印技术23]。儿童牙齿、颌骨和面部增长和发展是无序的。鼻唇角和面部凸角的研究小组都明显大于对照组,差异是统计学意义(24]。论文使用光谱成像和多通道数据3 d技术在遥感,包括新的传感器,开发机器学习技术进行数据分析,这些技术的应用在各种地理空间应用程序25]。
2。虚拟场景设计
2.1。基本框架
虚拟室内场景设计一个三层网络体系结构与服务器为核心,表现层是用户的虚拟设计方案,虚拟布局和结构逻辑层包括室内设计、室内虚拟家具设计和室内虚拟植物景观布局。数据访问层是MySQL技术。室内虚拟场景设计的基本架构和布局使用VRML / X3D技术如图1。
2.2。设计和布局室内场景的过程
室内场景的虚拟设计首先需要收集客户的需求信息,制定现场的总体布局和建模设计根据客户的需求。首先,每个室内场景的基本配置,然后每个区域的具体综合设计。完整的虚拟室内场景的设计步骤如下:(1)收集和整理客户的需求和可行性分析数据,以及数据需要构建室内场景(2)建立室内公寓的基本布局模型,其中包括地面模型,墙模型,门和窗模型,家具和植被景观布局设计对室内场景在每个区域(3)显示每一个基本的数据模型与三维图形和看到初步建立模型(4)主要的网络和网络主页将构造和与虚拟文件(5)最后,完整的虚拟室内景观的设计结果
2.3。虚拟家具的特点
家具是一种必要的实体建筑的房子,这是需要时间和精力的实体进入现场的室内设计。因此,互联网的存在导致了虚拟家具显示,因此,消费者可以选择自己喜欢的家具没有离开家。虚拟家具的特点显示如下:
(1)不受空间限制。虚拟家具在室内陈设可以让消费者不管什么时候在哪里可以看到室内的家具实体虚拟展示,它打破了实际距离。显示网络上的虚拟家具还可以显示现场多个客户同时,这也可以提高客户的家具选择的效率和商人也可以获得更高的利润,实现双方的共赢。
(2)互动性和容错。虚拟家具可以根据自己的喜好选择和放置在室内,他们不会干扰其他用户的个性化的设计在选择网络。用户还可以实时修改和调整在虚拟场景中,家具设计的容错。这使得家具更具创新性和动态显示。
(3)先进的显示的特点。虚拟家具在室内场景的显示可以出现在客户的视野,即使没有生产的家具,可以提前购买的客户。这样,生产者可以迅速知道哪些家具客户喜欢,然后批量生产,这样他们可以清楚地知道客户的需求。
系统的软件框架模型基础设计和程序设计虚拟家具显示如图2。
(4)节能环保。物理显示家具将使用不环保的材料,如大型喷漆肖像画和泡沫板。虚拟家具可以降低成本和环境污染和使用虚拟技术来帮助客户选择家具,节约能源,实现绿色环保。VMware虚拟化解决方案可以减少数百万吨的二氧化碳排放在空气中,不仅直接摆家具供客户选择,而且大大减少了劳动力成本。
三个不同的公寓的室内效果图显示类型后由虚拟设计技术数据所示3- - - - - -5:
3所示。图像处理算法
3.1。图像变换
表达的室内空间位置坐标变换。
的表达式变换的二维坐标图的室内场景 通过刚体在某种程度上。
一个表达式,仿射的二维坐标图的室内场景 在某种程度上。
当固体模型预计,所有点前后图像上的任何直线变换后仍在直线变换,但平行线不能转换后继续保持平行的关系。投影变换的变换公式
3.2。图像灰度插值
在图像中,每个坐标值是离散的,图像变换后不能继续下一步处理。因此,图像灰色差分算法是完全用于解决这个问题。我们使用常见的双线性插值的方法来解决这个问题,和这个算法的原理如图6。
计算的灰色的价值和 。
计算的不动点的灰度值。
3.3。图像配准算法
在一个虚拟空间的场景,两个坐标点使用直观的相似性度量来衡量相似度表达式。
为了防止当地的灰色强度影响注册结果,归一化互相关系数可以用来注册相似的措施。
非文本匹配原则:在标准图像,选择两个ROI区域,一个是T1地区中心坐标 ,另一个是T2地区中心坐标 。
中心的连接线之间的角度分两个区域和水平线
归一化互相关单模板匹配后,中心坐标点记录,和连接之间的夹角线分两个区域和中心的水平线如下:
图像旋转角度:
如果图像上的一个点的坐标 是测量 ,和θ角旋转变换后的坐标 旋转中心 ,有
在他们中间
注册要测试的图像之间的关系 和模板图像 可以修改如下:
3.4。图像旋转角度检测
室内场景的边缘像素提取二值化,二值化处理和检测到的边缘图像。如果灰度图像 ,其平均灰度
图像中每个像素的灰度值与平均灰度值相比,两组比和小于分别计算。公式如下:
脚腕域峰值检测后,限制T是预设的。
如果值之间的几何变形和是一个偏移量 ,表达式如下:
转换的结果
如果有一个偏移量的相位谱 直接相关的偏差 ,即。,if there is an offset 相位谱,它直接关系到偏差 ,这是
4所示。实验
4.1。仿真实验
纯文本的图像与衣服的大小转化为一个实验图像通过改变参数 多次,然后进行图像配准实验,并给出仿真实验结果如表所示1。本文使用刚性变换模型,并转换参数 。常用的图像变换模型的方法
刚体变换表达式:
仿射变换表达式:
投影转换表达式:
非线性变换表达式:
通过以上表,注册图像变换的结果进行了分析和计算,和图像转换的平均时间和成本是获得许多实验的结果如图7。
图中的红色水平线代表平均价值的时间成本,约0.75秒,获得的平均时间多个图像转换的结果。模型的时间响应的平均水平是0.75,所以模型的平均水平性能可以和模型响应的平均水平能力还可以被描述。
4.2。模型比较
为了进一步提高图像变换技术,我们将深度学习模型优化技术和提高登记精度的图像变化。让用户虚拟场景下的布局设计方便、清晰和比较模型性能的室内家具的选择和放置和植被景观布局通过图像变换技术在不同深度学习。
当使用虚拟技术选择和地点室内家具、图像变换技术结合性能的三个不同的深度学习算法进行比较,如表所示2- - - - - -4。
模型性能的卷积神经网络结合虚拟图像变换技术选择和放置家具如图8。
DBN模型性能结合虚拟图像变换技术选择和放置家具如图9。
模型性能的堆栈self-coding网络结合虚拟图像变换技术选择和放置家具如图10。
植被景观布局在使用虚拟技术在不同的室内区域,图像变换技术结合性能的三个不同的深度学习算法进行比较,如表所示5- - - - - -7。
卷积神经网络结合图像变换技术性能比较的植被景观布局模型在不同室内区域如图11。
DBN结合图像变换技术对植被景观布局模型性能比较在不同室内区域如图12。
堆栈self-coding网络结合图像变换技术性能比较的植被景观布局模型在不同室内区域如图13。
4.3。对比实验
深度学习下的三种类型的算法结合图像变换技术的图像缺陷检测和比较室内虚拟场景布局显示,进行许多实验虚拟图形,和计数检测缺陷的时间成本错误,如图14。
最大的时间成本是堆栈self-coding网络结合图像变换技术模型。堆栈self-coding网络模型的训练步骤分为两个步骤:第一步是设计self-coding prelearning网络初始化参数,第二步是设计一个分类器,然后用分类器来调整模型使用初始化参数学习的第一步。Self-coding网络学习过程的每一层
卷积算法与最佳性能结合的图像变换模型:稀疏连接的卷积神经网络具有正则化效应,提高了稳定性和泛化能力的网络结构,并避免过度学习,而稀疏连接减少重量参数的总量,这有利于快速学习的神经网络计算期间,减少了内存开销。
5。结论
人们对3 d技术的需求远远超过2 d技术和3 d技术的应用价值也更高。为了分析虚拟技术、室内场景设计和分析。通过比较和分析三种典型深度学习算法结合图像变换技术,我们得到以下结论:(1)在仿真实验中,我们得到传统的纯文本图像检测的平均时间成本大约是0.75,这是更高的优化模型(2)3 d技术实现人机交互的最佳视觉体验通过真实的三维场景和增强现实主义和交互性(3)家具的选择和放置在室内景观设计考虑植被景观的布局,和卷积图像变换技术结合层算法效率更高,更快
目前,3 d设计在室内设计的设计过程仍然是复杂的,这是不同于实际的动态场景。在不同的空间的设计,美学效果需要改进,最终客户的最终需求不能及时更新。因此,在未来进一步的研究工作是解决实时传输的需求方面的差异和动态检测及时性通过3 d虚拟技术的综合应用和物联网技术在实际应用场景。
数据可用性
使用的实验数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称,关于这项工作他们没有利益冲突。