视线追踪实验结果与分析

时间：2023-10-27 理论教育 版权反馈

【摘要】：图4.9 心脏造影图像增强结果第二组选择272像素×280像素的电路板图为实验样本，用于验证基于反对称双正交小波算法的滤噪增强效果。图4.9～图4.11所示的小波分解为5级，图4.12～图4.15所示的小波分解为3级。图4.10 指纹图像增强结果采用二进卷积型小波Spline3.3，应用本文思路对图像进行增强。由表4.6可知，双正交小波增强方法对滤噪后的增强结果与原图直接增强结果基本一致，并优于滤噪后对边缘数据直接增强的效果。

视线追踪实验结果与分析

1.样本选择及实验设计

（1）实验样本选择

为了全面验证基于反对称双正交小波重构的图像增强方法的性能，从对图像边缘的增强能力、对比度的增强效果，以及在视线追踪系统应用的效果等几个方面考虑，选择了若干组有代表性的图像作为实验样本。

第一组选择医学和生物特征、军事和视频监控、人脸和人眼等三类有代表性的图像作为实验样本，见表4.1。

表4.1 实验样本

人脸和人眼图像是视线追踪系统中用于面部位姿估计和平面视线参数检测的图像。视线追踪需融合人脸特征提取、眼部特征识别等多种生物特征识别技术，关键技术包括瞳孔和普尔钦斑分割及中心定位、瞳孔跟踪、人脸多特征检测和跟踪等。在图像采集过程中，由于头部活动超出景深范围，从而造成成像模糊。

图4.9 心脏造影图像增强结果

第二组选择272像素×280像素的电路板图（见图4.13a）为实验样本，用于验证基于反对称双正交小波算法的滤噪增强效果。电路板图经过裁剪，其尺寸变为256像素×256像素。电路板图整体灰度偏暗，上面分布走线且噪声明显。图中加入标准方差σ=20的高斯噪声（见图4.13b）。

第三组选择270像素×238像素的骨髓组织切片图（见图4.14a）作为实验样本，用于直观表达增强效果。图中布满白色的脂肪细胞和网状的骨髓组织，边缘丰富且模糊。经延拓和裁剪，尺寸变为256像素×256像素。

（2）实验设计

1）应用二进卷积型小波，采用与双正交小波方法类似的思路做图像增强。用于对比验证不同的边缘检测小波在重构中进行图像增强的效果。

2）应用反对称双正交小波，通过拉伸小波数据中的边缘系数进行图像增强。

3）应用Curvelet变换和Contourlet变换，通过直接拉伸变换域数据进行图像增强。

上述2）、3）用于对比验证小波重构增强与小波变换域直接增强的效果。

2.实验过程

（1）图像增强过程采用反对称双正交小波Bior3.5对图像进行多级分解，按照4.1.3节中叙述的过程对图像进行增强。根据不同图像特点，小波分解的级数和增强参数不同。图4.9～图4.11所示的小波分解为5级，图4.12～图4.15所示的小波分解为3级。图4.9、图4.10、图4.12～图4.15所示的增强系数k_j=2。图4.11所示的增强系数k_j=2.5。

图4.10 指纹图像增强结果

（2）采用二进卷积型小波Spline3.3，应用本文思路对图像进行增强。

（3）采用Bior3.5小波，通过半重构获取边缘模板，定位小波域数据的边缘点位置，增强相应的边缘点小波系数，然后小波重构增强图像。

（4）采用Curvelet变换和Contourlet变换，对变换域数据直接进行线性增强，然后进行逆变换而获取增强图像。

上述（2）、（3）、（4）中小波分解级数与增强参数与对应的双正交小波方法相同。

图4.11 坦克图增强结果

3.实验结果及增强效果评价

（1）视觉效果比较

第一组实验样本的增强结果如图4.9b、图4.10b、图4.11b和图4.12b所示，它们分别比图4.9a所示的各种血管明显变得突出，比图4.10a所示的指纹得到锐化，边缘的断裂、分叉等特征都保持了原有的形态，即医学和生物特征图像的边缘特征得到有效的锐化增强，比图4.11a和图4.12a所示的坦克和车辆目标更加清晰，即军事和视频监控图像的对比度得到了有效增强。它们采用二进小波增强、反对称双正交小波域边缘数据直接增强、Curvelet变换和Contourlet变换域数据直接增强的结果分别如图4.9～图4.12中的图c、d、e、f所示。双正交小波增强方法的视觉效果略弱于二进小波增强方法，优于反对称双正交小波域边缘数据直接增强方法，远优于Curvelet变换和Contourlet变换域数据直接增强方法。

人脸实验样本增强结果如图4.15b、d所示，增强前后图像对比度得到了很大的改善。图4.15b所示的眼角、嘴角、鼻尖等面部位姿估计所需的人脸特征都较原图清晰，为后续的特征提取打下了基础。图4.15d所示的视线参数特征普尔钦斑（位于角膜上的亮点）较原图强化十分明显，灰度值明显高于眼部其他区域。普尔钦斑的分割和中心定位与视线方向精度密切相关。视线检测所需的其他眼部特征如瞳孔、巩膜与虹膜分界线等都得到有效的增强。双正交小波算法将在平面视线参数检测中发挥重要作用。

第二组实验样本的滤噪和增强结果如图4.13c、f所示，可见图像滤噪后对比度下降，图像中残留噪声。在重构中增强后，与滤噪后图像和原图相比，图像质量得到很大改善，噪声得到了进一步抑制。图4.13d所示为原图直接增强结果，可见滤噪增强结果与原图直接增强效果基本一致。图4.13e所示为对滤噪后的小波域数据直接增强结果，可见增强效果明显弱于图4.13f所示图像。

图4.12 车辆图像增强结果

（2）增强效果评价

为了评价图像的增强效果，选择图像的均值、方差、局部熵、局部对比度为评价参数。方差是图像灰度值分散程度的度量。熵是图像灰度值一致程度的度量。局部熵为图像各点像素邻域灰度值熵，图像熵为各像素局部熵的平均值。局部对比度定义为图像局部3×3窗口增强值（max-min）/max+min的平均值。由表4.2～表4.5评价参数可见：

1）图像增强后灰度值和等级更加分散，对比度得到了增强。(www.daowen.com)

2）二进小波增强方法与双正交小波增强方法的效果基本一致。但双正交小波增强方法是在小波多尺度塔式分解数据上进行的，其算法运算量远少于二进小波增强方法。

3）双正交小波增强方法优于对双正交小波变换域边缘数据直接增强方法的增强效果，说明在逐级重构中，增强边缘信息具有更确切的增强作用。

4）双正交小波增强方法远优于Curvelet变换和Contourlet变换域数据直接增强方法。说明即使Curvelet变换和Contourlet变换能够更稀疏地表达图像边缘信息，直接对变换域数据增强仍不能取得满意效果。

由表4.6可知，双正交小波增强方法对滤噪后的增强结果与原图直接增强结果基本一致，并优于滤噪后对边缘数据直接增强的效果。这充分说明双正交小波算法在图像滤噪增强或滤噪后图像复原中的显著效果。

图4.14所示为骨髓组织切片图增强前后的三维图和直方图比较，可见增强后图像中白色脂肪细胞的灰度值和边缘得到增强锐化，灰度分布范围增大，对比度增强。