文摘

深度图像纹理的合成被忽视在当前图像视觉传达技术,导致穷人的视觉效果。因此,影视动画的设计方法提出了基于3 d视觉传达技术。收集影视动画视频通过3 d视觉传达内容制作,服务器处理,客户端处理。通过缝合、投影映射和动画视频图像帧纹理合成,3 d视觉传达动画视频图像的投影。为了确保伸缩因子的连续变异相邻三角形的动画和视频图像,比例因子字段构造。深度学习用于提取深度特性和重构的多帧动画和动画视频图像基于视觉传达。在此基础上,灰色投影下的视频图像帧的特征识别和提取,并基于3 d动画设计视觉通信技术完成。实验结果表明,该方法可以显著提高动画视频图像的视觉传达,可以实现高精度重建视频图像在很短的时间内。

1。介绍

3 d视觉传达技术是身临其境,互动,和可能的用户创建高质量的视觉体验。视频基于3 d视觉传达技术需要经历不同的过程等内容制作、编码压缩、网络传输、终端显示。近年来,视觉通信技术已广泛应用于各个领域,因为它快速、实时测量信息的函数(1]。随着多媒体技术的发展,视觉通信技术广泛应用于视频和动画图像管理领域,如网络媒体操作,动画版等等影视动画和视频图像领域的不断发展影视动画和视频图像。影视动画和视频的核心是视觉传达,并很难获得目标影视动画和视频图像在复杂背景实时和准确。这是一个常见的问题在多帧影视动画和视频视觉传达(2]。

文献[3)提出了一种创新设计视觉传达系统的动画人物和图片在虚拟现实环境中。硬件设计,渲染器的主板的适应参数设计优化视觉沟通的经验。在软件设计中,通过引入Sobel边缘算子,建立了灰函数解决梯度幅值和阈值进行比较来完成识别和选择稀疏的边缘角色动画图形和图像的数据。动作捕捉模块设计,建立行为控制模型,生成和管理动作捕捉文件,并完成系统的总体设计。文献[4)提出了一种新的优化method-plane视觉传播效果优化方法基于小波变化。由小波图像分解,小波重构。在重建的过程中,模图和相位角度图计算,并提取的边缘图像。相应的边缘点semireconstructed图像通过图像边缘增强。在上述基础上,滑动模型的图形美化向量用于操作。为了简化操作,上述操作方法转化为简单的数学运算,并通过反射的光平面视觉传达效果优化模式。文献[5)提出了一种新的自动算法在视觉传达设计中图形语言的安排。缓冲图像在视觉传达设计的显示尺寸是固定值计算方法,和最小数量的布局和最大表面利用率作为布局目标函数。蚁群算法是用来解决它,得到最优解,获得最佳的显示图形在视觉传达设计的位置。图形的描述语言实现了基于规则的语法描述和ASM(抽象状态机)的语义描述。并行过程和视觉传达设计中图形语言的选择过程被使用并行和选择标志、并行处理和选择过程是用来实现图形语言的自动装置。该算法在C语言编程和运行实现自动安排图形语言的目的。

然而,当上述图像视觉通信技术忽略深度图像纹理的合成图像视觉效果并不理想。因此,影视动画设计方法提出了基于3 d视觉传达技术。构建视频处理过程在3 d视觉通信技术和主要过程影视动画视频通过3 d视频内容制作,和服务器和客户端链接;基于视觉的2 d图像和场景之间的距离,计算三维场景变换的缩放因子;构建一个深上优于深PCANet特征提取模型,筛选图片和影视动画视频图像提取特征,使用PCAN深网络创建字典一个低分辨率的特性,使用高分辨率的视频图像重建方法,实现LR动画视频图像和HR动画视频图像,并引入非局部相似性经验约束优化人力资源图像;详细分析灰色和基于小波变换的特性,提取视频图像特性,独立的动画视频图像的前景和背景,变换K-L (Karhunen-Loeve)为核心,动态识别相似性评价功能,并完成动画设计基于三维视觉通信技术。实验结果表明,该方法可以显著提高动画的视觉传输视频图像,提高高精度视频图像重建的速度。

2。影视动画设计基于3 d视觉通信技术

3 d视觉传达技术主要使用计算机来模拟环境,让人感觉身临其境。三维视觉通信技术,二维图像的基础上,阅读的主要信息,压缩和分解,并将其转换成三维图像,增加任意部分的测量和显示功能。人机交互模块,我们可以放大三维图像方便用户浏览和改变形象。

2.1。视频处理过程在3 d视觉通信技术

图1显示视频处理的流程图在3 d视觉通信技术。

3 d视觉通信技术可以分为三个部分:3 d视觉传达内容制作,服务器和客户端,3 d视觉传达内容生产的核心是整个视频处理过程(6]。生产3 d视觉传达内容,一组摄像机或一组相机设备和音频传感器包含多个摄像头和传感器是用来捕捉声音和视觉场景在现实的物理世界。摄像机和传感器,例如,产生一组数字视频和音频信号。一般来说,相机捕捉内容在360°的外围单位(7,8]。

针对3 d视觉传达下的视频处理技术、3 d视觉传达视频图像同时结合马赛克,投影映射,和帧结构来生成一个包,如图2。

2.2。3 d场景转换的比例因子

后确定三角网格通过屏幕投影在一个二维平面上,一个连续扩展字段应当分配给每个三角形面;即一个比例因子应当分配给每个三角形面,以及相邻三角形之间的比例因子方面应当连续变量。具体过程如下(9,10]:

用于表示三角形的距离在3 d场景角度。被定义为视觉距离,可以集成到一个阈值的离散函数 。

确定明显的距离和任何相邻三角形之间和 ,和的区别两者之间可以表示如下:

获得上限价值的通过公式(1)。

时的值是0.4,样本量的变化逐渐从0.4 1到0.4。基于价值的 ,金字塔收缩应用于给定纹理样图获得多级渐进收缩示例图,这是作为比例因子在纹理合成的过程中获得相应的样本的基础图(11,12]。

为了使相邻三角形网格对应于邻近层,基于 ,设置:的价值函数只能在样本层不同层的区别是也就是说,根据把值的范围函数,函数的值是根据分成不同的层 ,和相对应的层相邻的三角形网格也相邻,从而确保结构的连续性过程中组成。

的价值对于每个三角形可以获得的价值 根据上面的设置,即价值对应于meta-texture样本图像的缩放(13]。在此基础上,值对应于一个 - - - - - -缩小层,折起来 - - - - - -折叠收缩图像可以被映射到一个 - - - - - -折叠收缩影视动画形象,每个三角形有一个比例因子。

2.3。基于深度学习的特征提取模型

PCANet是一个相对简单的方法,深度学习理论的基础上深入学习和卷积神经网络(14,15]。PCANet结构由两个PCA(主成分分析)的过滤层,一个散列层和直方图计算层,可以提取高分辨率的动画和视频图像的根深蒂固的特性。但与通常的网络,PCANet的过滤器的计算效率。PCANet不是通过训练,而是通过获取高分辨率的映射的结果部分影视动画视频图像,然后采用PCA(主成分分析)方法提取主成分的高分辨率影视动画视频图像,每一个都是一个独立的过滤器(16]。当滤波器的神经网络用于提取功能,可以获得最优权重没有迭代操作;因此,减少了计算时间(17]。为了进一步讨论的优点PCANet深度网络提取高分辨率的动画视频图像的特点,特征值的一个映射 ,8×8和1移动距离设置动画视频图像的输入(18,19]。映射功能的主要部分使用PCANet算法计算,一个两层的过滤器 。的步骤如下:

2.3.1。第一层:PCA滤层1

为培训照片的大小 ,PCANet选择一个 窗口,每个训练图像相比,由行和列来获取图像的地方特色。得到 图块 大小。将图像块的平均值,输出移动均值的背后 :

在公式中,矩阵的每一列每一列代表一块图像,包含 元素。有 列。后分别执行上述操作N训练图像,一个新的数据矩阵得到: ,和有 列。然后,矩阵是PCA和领先特征向量的特征向量矩阵是作为滤波器的卷积核群。

在公式,代表了 - - - - - -矩阵的特征向量 。 是一个函数,代表重新安排的吗特征向量矩阵。每个特征向量包含 元素,得到卷积核的长度和宽度 。最后,对于每一个输入图像 ,的卷积核分别被过滤。因此,第一层的主成分分析滤波器组完成。

2.3.2。第二层:PCA滤层2

第二层的主成分分析滤波器组是同样的原则作为第一层。这个收益率第二层的卷积核:

对于每一个输入图像在第二层,PCA过滤器组通过过滤器都是完整的输出特性。

最后,和特征映射是CNN获得相同的方式。PCANet特点是这些映射的特性,所以它可以提供一个可靠的数据为影视动画视频图像处理(20.]。PCANet利用学习得到多层网络过滤器。输入视频图像后两层过滤的过滤器,它可以非常高维数据的输入输出,可以视为影视动画和视频图像的特点被用于重建高分辨率的视频图像的影视动画21]。

因此,当PCANet提取影视动画视频图像的特点,它实际上是一个直接处理像素的影视动画视频图像,操作阶段加入了阻止的过程中,和影视动画视频图像块的输出深层网络增加了(22]。PCANet使用深层网络学习过程动画视频图像提取特征,由PCANet视频图像特征提取和特征通过人工规则更丰富和更加突出纹理结构的详细信息,为后续的重建提供丰富的先验知识和填写的细节动画视频图像的低分辨率的电影和电视,以促进动画视频图像的超分辨率重建的电影和电视。

2.4。基于视觉的图像重建方法的多帧动画视频交流

结合的优势PCANet深度网络和稀疏表示的重建方法,提出了一种基于视觉通信多帧动画视频图像重建方法(23,24]。多帧动画视频图像重建方法,它假定高分辨率图像和低分辨率图像稀疏表达各自的字典,然后,获得的图像样本特性PCANet深度网络。代表的是高分辨率图像的字典功能,代表了字典功能低分辨率的图像。在高分辨率图像重建的阶段,低分辨率的图像以同样的方式处理,由PCANet根深蒂固的特征提取,稀疏表示的高于高分辨率图像的低分辨率字典功能,由稀疏系数表示的特点是直接应用于低分辨率图像 ,获得的图像和相应的高分辨率特性是(25]。低分辨率的视频动画图像用于实现高分辨率重建。通过PCANet深度网络,我们可以获得更好的影视动画比nondepth网络视频图像特征。深特征字典也可以提高特征词典的描述能力和提高影视动画视频图像重建质量的显著(26]。

影视动画视频图像模糊需要采样的训练数据集,这是调整到相同的大小获得相应的低分辨率的影视动画视频图像,这是组合成一对模型示例: , 代表高分辨率特性, 代表低分辨率特性。计算矩阵块中的所有样本数据集,并选择一个滑动窗口的大小 ,(通常,像素广场使用的影视动画视频图像的窗口是3,5或7)。在特征提取后的影视动画视频图像通过上述滑动窗口,进行新的数据矩阵的列 可以获得,矩阵的每一列代表一个影视动画视频图像块的吗 元素。

获得的训练样本高分辨率的动画视频图像,这个公式

特征提取与上面的数据矩阵 ,和提取的特征被认为是功能样品SCSR模型和替换成PCANet字典的特性。

假设代表的结果高分辨率的动画视频图像稀疏编码后,函数被认为是一个单位阶跃函数,稀疏编码的结果是量子化的,直方图编码完成后,和深高分辨率的动画视频图像的细节特征提取,即(27,28]

同样,推断,通过相同的加工过程高清影视动画视频图像,提取的根深蒂固的细节特征的结果低分辨率的影视动画视频图像,即

在这里,和代表影视动画视频图像特征提取结果;Bhist代表直方图编码;和代表影视动画视频图像分割块样品的数量。

摘要字典训练SCSR框架结合稀疏编码方法。我们的目标是获得一组字典对和样品可以表示复杂的特性。使有相同的稀疏表示和深层的细节特征和生成的电影、电视、动画和视频图像和有相同的系数描述,

在上面的公式中, 代表了稀疏矩阵和代表平衡系数(29日]。为了使高清影视动画视频图像特性和低分辨率的影视动画视频图像特征有相同的稀疏描述方法各自的字典,采用组合训练法通过公式(5)和(6),也就是说,

在上面的公式中,和 ,分别代表维重排的列向量的元素值高和低分辨率的功能块的电影,电视,动画视频图像, 和 之间的成本和平衡公式(9)。为了方便后续的计算公式(10)是重组:

方程(11)是通过迭代来解决。鉴于字典 ,计算稀疏表示系数每个数据样本在 ,获取矩阵 ,最后更新字典通过 。

在获得字典 ,LR影视动画视频图像的重建和人力资源影视动画视频图像可以通过使用高分辨率的影视动画视频图像重建方法基于稀疏正则模型。

重建阶段的影视动画的视频图像,视频图像中存在一些噪音的影视动画由于外部环境噪声的干扰,和块效应和模糊的工件将出现在影视动画的重建视频图像30.]。考虑到传统的投影模型不能保证重构图像的质量,可以更好地保留图像的细节匹配图像和图像之间的相似块的先验约束部分相似。相对于图像块效应和模糊工件重建后,介绍了非局部相似性经验约束优化人力资源全局优化的基础上背投影图像。摘要全球和nonglobal约束模型如下(31日,32]:

在上面的公式中,代表采样操作,代表模糊过滤,代表全球约束项,代表非局部自相似性约束项,代表单位矩阵,和表示归一化参数,代表非局部权重矩阵,元素公式如下:

在上面的公式中,代表了 - - - - - -th影视动画视频图像块在影视动画视频图像,代表了搜索电影和电视动画视频图像块相似 , 代表了衰减因子代表了规范化的价值。

2.5。帧的动态识别功能的电影,电视,动画视频图像

2.5.1。框架下的视频图像特征提取灰度投影

帧特征提取的第一步是分析灰度的特点和细节在基于小波变换的视频图像,然后提取特征的视频图像灰度投影(33]。最后,影视动画的帧特征提取问题视频图像的发展前景和背景的问题影视动画视频图像,分类和分离系数是由特征分布的方差的比率功能影视动画视频图像的前景和背景区域。的过程中提取影视动画视频图像帧的特征如下:

预处理的输入灰度动画视频图像由 ,灰度图像由Mallat算法与小波分解和灰度金字塔应当建立。根据高频组件,应当分解的灰度图像金字塔建在细节 ,由大小 ,的三个细节方向由视频图像 。建立原视频灰度图像应当完成的金字塔金字塔和细节 在上面的计算过程,可以获得两个细节特征的多个特性同时[34]。

在视频图像的视觉传达,当地的对比图像不同位置在一定范围内是由鳞片之间的区别,以提高动画和视频图像的对比效果。公式如下: 在哪里代表特征对比测量,代表特征区域的范围,代表的电影、电视和动画视频图像抑制区域。代表了没过影视动画视频图像,可以抑制功能以外的目标区域(35]。代表了精细的影视动画视频图像,可描述的细节特征目标区域,然后规模之间的区别和所示如下方程:

调整值的差异影视动画视频图像的面积与相同的规模 ,这是由和 ,和减去每个点来获取相应的绝对值 和 ,以获得的灰度特征和细节特征的影视动画视频图像。公式如下:

代表的灰度值 - - - - - -th像素在影视动画视频图像,和代表评价估计量之间的影视动画视频图像,计算和图像特征显示图根据翻译估计量,见以下方程:

的公式,代表了翻译差异,归一化函数用于统一形象的规模,然后一群权重因素 , ,和下定决心要完成的加权融合视频图像通过以上方法。这个公式所示以下方程: 在哪里表示灰度级,代表的是细节,代表运动特征的归一化函数图像和代表功能价值的影视动画视频图像帧中提取。

2.5.2。动态识别

动态识别方法主要包括全球和本地识别。因为视频图像的维数很高,难以识别由全球方法,整个视频图像有噪声干扰和信息闭塞后的图像动态识别。因此,为了提高动态识别的效率,采用当地的识别方法(36]。该方法以K- - - - - -l(Karhunen-Loeve)转换为主要核心和使用相似性评价特性来实现动态识别。

K- - - - - -l变换是基于转换的统计特性,通过输入向量正交变换和即将离任的矢量解耦的相关性数据,这是最好的方法的方差。

假设,代表了 - - - - - -维矩阵,代表了样本统计 , 代表维向量,平均价值的计算和获得的设置吗样本值,见以下方程:

它的方差矩阵所示如下方程:

代表方差矩阵的特征值,代表方差矩阵的特征向量。得到特征值及其对应的特征向量,所示(19):

的特征向量基于特征值的大小。第一个确定特征向量,然后归一化形式改变矩阵 。然后,使用变换矩阵变换向量为向量在一行通过(20.):

因此,实现降维的效果,有效地完成影视动画视频图像增强的设计。

3所示。实验结果和分析

仿真环境是奔腾m1.60 760 Ghz CPU和RAM。3010双核英特尔第二代核心处理器商用台式机作为主要的频率,系统win10旗舰32位,和仿真软件MATLAB 2020 b .为了证明本文方法的影响,它是与当前先进的动画图像视觉传达方法相比(平面视觉传达设计方法基于图形美化技术和动画角色形象的视觉传达设计方法在虚拟现实环境中)。

3.1。比较分析不同方法下的视觉传达图像重建效果

使实验结果更直观,两个动画视频图像512×512像素的选为参考动画视频图像,如图3和4(一)和仿真实验进行相关的模拟实验工具。如果我们使用高斯模糊模型,设置3×3区域不变的高斯滤波器,采样因子设置为4,添加高斯噪声对所有低分辨率图像,并满足30 dB的信噪比。数据3(一个)和4(一)参考影视动画视频图像,数据吗3 (b)和4 (b)是影视动画的重建视频图像通过使用虚拟现实环境的视觉传达设计方法动画人物图像,数据吗3 (c)和4 (c)是影视动画的重建视频图像通过使用图形美化技术为基础的平面视觉传达设计方法,和数据吗3 (d)和4 (d)该方法的重建。

数据显示3和4可以看出,虚拟现实环境的动画角色形象的视觉传达设计方法无法避免模糊边缘和重建效果并不好。平面视觉传达设计的方法,基于图形美化技术有一个很大的错误当匹配一些像素,从而导致缺乏丰富而清晰的细节最终重建动画视频图像和重建效果不如虚拟现实动画形象的视觉传达设计方法。与其他两种方法相比,该方法具有明显的优势的重建高分辨率的动画视频图像。

3.2。识别率的比较分析

与视觉传达设计方法基于动画和虚拟现实环境平面绿化技术,视觉传达的有效性视频图像动态识别测试。首先,根据实际情况,50种车牌汉字划分为两种类型的影视动画视频图像,分为10集的模糊相似汉字根据汉字的特殊结构特点,然后确认。有270个模糊影视动画视频图像和识别的两种方法如表所示1。

从表可以看出1,该方法的识别率为91%,高于其他方法。的动态识别率图形美化技术为基础的图形视觉传达设计方法是62.2%,和动态虚拟现实环境的识别率动画图视觉传达设计方法是67.5%相同的汉字图像分辨率和模糊程度的影视动画视频图像。这主要是由于这一事实的图形视觉传达设计方法基于图形美化技术和虚拟现实环境的动画图视觉传达设计方法不考虑照明颜色的影响影视动画视频图像,以便减少特征维度。同时,为了防止重叠区域,2×1块作为块的时候建立一个街区,也降低了尺寸,但是当构建一个直方图,每个单元的梯度分为9部分。根据实验分析的中间人,如果面积减少,可以降低特征维度,但描述能力也减少了,增加了计算复杂度。该方法在识别率的优点是,它安排有序的特征值和确定特征值的特征向量作为汉字。这种方法不仅降低了特征维数,而且还保留了动画视频图像的关键信息。在特征提取的过程,它强调主要的动画视频图像的细节,加深的描述功能,并有效地提高了识别率。

3.3。时空性能测试

动画人物形象的视觉传达设计方法在虚拟现实环境下提出了文献[3),平面视觉传达设计方法基于图形美化技术提出了文献[4]随着比较法,以草原纹理合成样品为例,该方法的时间和空间性能和比较方法进行了比较。结果如表所示2和3。

分析表2显示的时间长度的3 d视觉传达中使用的三种方法是不同的。建议方法的的时间低于3.8秒,时间的长度的动画角色形象的视觉传达设计方法在虚拟现实环境中是14.93 s,和长时间的图形视觉传达设计方法基于图形美化技术是20.06 s。建议方法的的时间长度小于在虚拟现实环境。与两种比较方法相比,该方法具有明显的优势。这是因为这个3 d视觉传达动画视频图像通过缝合,投影映射,和动画视频图像帧投影纹理合成,导致包装。不需要预处理纹理合成的纹理样本来提高效率。

分析表3显示动画视频图像的大小后,三种方法是完全不同的。合成图像的大小是由低于3.8 MB,此方法下的图像尺寸的动画角色形象的视觉传达设计方法在虚拟现实环境中是14.93 MB,和图像大小在图像合成基于图形美化技术20.06 MB。合成图像的大小是由该方法比其他方法小。这是因为目前的方法构造三维转换的比例因子字段。在此基础上,识别并提取视频图像帧特征尺度小,占用更少的空间。

3.4。真实的例子实验的视频图像重建

为了体现该方法的性能在实践中,视频图像重建的性能测试。狮子王的500张图片动画视频被选为主题和迭代200次测试高清重建图像的峰值信噪比,结果如图所示5:

如图5,目前的图像峰值信噪比方法是31.2 dB - 40.9分贝,比原始图像,证明该方法符合实际需要的高分辨率图像重建。

4所示。结论

一个新的动画设计方法基于3 d视觉传达技术旨在解决贫穷的问题在现有的图像视觉效果的视觉通信技术。建立一个3 d视觉传达技术下视频处理过程;基于视觉的距离从2 d图像到一个3 d场景,计算3 d场景转换的比例因子;构建一个深上优于PCANet模型,图像被用来过滤处理使用模型和提取影视动画视频图像的特点;深度图像样本的特点获得使用PCAN深网络;创建一个低分辨率的高分辨率图像特征字典;使用一个高分辨率的视频图像重建方法基于稀疏规则模型,实现动画视频图像的重建;非局部相似性经验约束还介绍了优化人力资源图像;根据小波变换分析灰度和细节特征;提取视频图像的特点; with the K-L (Karhunen–Loeve) transformation as the core, the similarity between the picture features is used to dynamically identify the film and television animation video images, and to complete the high-precision film and television animation design. The experimental results show that the proposed method can improve the visual communication effect of animation and video images, with small time cost, small space capacity, and good application performance.

数据可用性

原始数据支持了本文的结论将由作者提供,没有过度的预订。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。

确认

这项工作由省级质量工程于2019年在安徽省高等教育机构(离线精品开放课程项目)、“动画概论”(2019 kfkc309),峰山(主机)。