图像处理技术被广泛应用于植物景观设计中.通过图像处理技术构建植物景观三维图像重构模型，能够提高植物景观设计的美感.在进行植物景观设计中，需要根据植物景观三维图像的规则性特征点进行图像边缘锐化处理，利用植物景观三维特征扫描技术实现对三维植物景观图结构的重建[1].结合计算机视觉分析技术进行植物景观的边缘轮廓特征检测，提高了植物景观三维图像分析的准确性和三维规划设计能力[2].在对大规模植物景观三维图像的边缘轮廓锐化检测过程中，将植物景观三维视景图像反射到植物景观的图结构模型中，提高了对植物景观区域的准确规划和辨识能力.研究植物景观三维图像边缘锐化方法在植物景观的三维重建和规划设计中具有重要意义.
相关学者对植物景观三维图像边缘锐化设计进行了研究，桂金瑶等[3]提出了一种基于模糊理论的海量激光遥感图像边缘锐化方法研究，依据模糊特征分别建立边缘和噪声的隶属度函数，求解激光遥感图像像素相对于边缘和噪声的隶属度，并完成对图像边缘锐化系数的调整和控制，最终实现光照不均匀条件下，对海量激光遥感图像边缘的锐化处理.王敬凯等[4]提出一种基于框架域的随机游走全色锐化方法.该方法利用亮度、色调、饱和度(IHS)变换和非下采样框架变换，将原图像从空间域变换到框架域.此模型根据高频框架系数的邻域相关性与尺度相关性构造新的随机游走协调函数，将高频框架系数融合权重的估计转化为随机游走标记问题的求解.
上述方法存在三维图像的边缘锐化图像表面点自相似性系数较低，植物景观布局设计的效果较差的问题，对此，本文提出基于色调映射和颜色特征分解的植物景观三维图像边缘锐化方法.
1 图像稀疏表示模型和轮廓检测
1.1 三维图像的稀疏表示模型
为了实现对植物景观三维图像的区域边缘锐化，首先需要构建植物景观三维图像的稀疏表示模型，采用分区域特征匹配方法进行植物景观三维图像的分块检测和区域性融合处理.根据图像低分辨率的特点，提取植物景观三维图像的分块区域匹配特征量，得到稀疏表示的最优化系数[5-6]；采用自适应融合方法进行植物景观特征检测的分块规划设计；采用锐化模板增强技术进行植物景观三维图像的边缘锐化处理，提高对植物景观三维图像的边缘锐化能力.植物景观三维图像的稀疏表示模型如图1所示，L表示模板子块，C表示用于匹配的候选目标区域，P表示植物景观三维图像表面点特征空间尺度因子.
采用一个4×4子块边缘锐化模型进行植物景观三维图像的分块特征匹配，采用表面点自相似性特征提取方法进行植物景观三维图像的灰度重构[7].在D维空间中进行植物景观三维图像的边缘轮廓检测，根据植物景观三维图像的表面点分布差异性，假设三维图像为G(x，y；b)，其中，x为横坐标，y为纵坐标，b为重建图像整体梯度方向的像素强度，得到植物景观三维图像的稀疏表示为
图1 植物景观三维图像的稀疏表示模型
Fig.1 Sparse representation model for 3D image of plant landscape
u(x，y；b)=G(x，y；b)
(1)
(2)
式中：u为三维图像的区域边缘锐化特征总量；Δu为三维图像的区域边缘锐化的特征分量；σ为三维图像的旋转算子；Δx为图像的能量变化量.
根据植物景观表面点的规则性进行边缘锐化处理，得到植物景观三维图像区域边缘锐化稀疏分布模型为
F=Bdγ0+R
(3)
式中：B为三维图像像素特征点的峰值信噪比；dγ0为三维图像的区域边缘锐化系数；R为拉普拉斯算子系数.根据上述分析，用稀疏表示方法进行植物景观三维图像的区域特征边缘锐化，构建三维图像的相关性检测模板匹配函数为
(4)
式中：c1为匹配度；
为子图的能量；ρj为模板的平均灰度值；
为模板的能量；N为像素数量；ε为相关性因子；γ为相关性检测指标.
获得植物景观三维图像的背景差分量后，在植物景观三维图像的三维特征分布区域中进行稀疏表示模型设计和边缘锐化处理.
1.2 边缘轮廓特征分解
构建植物景观三维图像的稀疏表示模型后，采用稀疏线性组合方法进行植物景观三维图像边的边缘轮廓特征分解[8].采用植物景观分布边缘像素点匹配方法得到正则化的线性回归向量Wj，植物景观三维图像的群结构稀疏分布参数为
(5)
式中，dist(xi，xj)为三维图像边像素点xi、xj之间的空间距离.在目标块和重建高分辨率图像块之间，得到植物景观三维图像的表面点特征提取向量为
(6)
式中：Sk为植物景观三维图像表面点的粗细度特征参数；∂为粗细度特征向量之间的夹角.采用分区域特征匹配方法进行植物景观三维图像的分块融合性检测和特征块匹配，植物景观三维图像的像素点子集输出为
I(x)=J(x)T0(x)+E(1-T0(x))
(7)
式中：J(x)为植物景观三维图像采样位移间隔；T0(x)为植物景观三维图像采样间隔；E为三维图像三维尺度信息.根据植物景观表面点的规则性特征分量进行三维规划设计，计算重叠区域的像素值.采用多重分形技术进行块匹配特征分解[9]，降低植物景观三维图像区域边缘锐化的表面误差，植物景观三维图像的最小角度回归分析输出为
s(k)=φs(k-1)+w(k)
(8)
式中：φ为特征向量的尺度空间分布矩阵；w(k)为特征点k处的投影变换矩阵.
提取植物景观三维图像的RGB分量，相应得到植物景观三维图像的模板跟踪值，在次微分集合中，得到边缘锐化模板.根据上述分析，构建图像的边缘轮廓特征分解模型进行图像的边缘锐化处理.
2 三维图像边缘锐化处理
2.1 色调映射和颜色特征分解
根据植物景观的表面点、细节区域进行植物景观图像超分辨率重构和模板匹配，对于植物景观三维图像视觉信息特征量，在边缘轮廓分布区域(x′，y′)进行表面点梯度分解，计算植物景观三维图像所有的向量集，植物景观三维图像的边缘锐化阈值为
(9)
式中：α(x′，y′)为单位阈值；h为匹配区域宽度；
为一阶梯度算子.采用分区域特征匹配方法进行植物景观三维图像的分块融合处理，对植物景观三维图像进行视觉信息融合，所产生的高分辨率图像分量为
(10)
式中：
为全局参数；Ac为三维图像的卷积维度；Ic(y)为三维图像的透射强度；Jc(y)为图像灰度值.根据植物景观的表面点、细节区域进行植物景观图像超分辨率重构和模板匹配，构建植物景观三维图像视觉的相关性检测模型，通过植物景观三维图像的边缘锐化分割，得到正态分布函数为
(11)
植物景观三维图像视觉区域大小为P×Q，在最佳阈值分割下，根据植物景观三维图像的RGB值进行像素特征分离，输出为
(12)
式中：μpq为图像空间信息；npq为图像视觉信息；mpq为图像结构信息.
2.2 边缘锐化表面点自相似性
采用稀疏线性组合方法进行植物景观三维图像边的边缘轮廓特征分解，提取植物景观三维图像的边缘分块特征量，颜色空间的转换模型为
(13)
式中：assoc(X，Y)为三维尺度信息中的像素固定幅值；cut(X，Y)为颜色空间转换统计特征量.将RGB颜色空间数值进行归一化处理，得到模糊调度集为(i，j)，以此为像素中心，利用锐化模板得到图像的锐化特征匹配分解模型为
(14)
式中：a为模糊调度系数；T为表面点锐化时间；b为锐化特征方向性参数.
将植物景观三维图像进行合成与色调映射处理，在4×4子块的局部区域内建立植物景观三维图像的分块融合模型为
(15)
式中，K为合成系数.根据植物景观的表面点、细节区域进行植物景观图像超分辨率重构和模板匹配，得到植物景观三维图像的响应函数.
在模板区域内对植物景观三维图像进行像素值区域重构，采用自适应融合处理方法，植物景观三维图像的区域边缘锐化表面点自相似性函数为
(16)
式中，T1为三维图像的结构相似度.在植物景观成像的4×4子区域内，通过植物景观三维图像的色调映射处理，实现植物景观三维图像边缘锐化处理.
3 仿真实验与结果分析
为了验证方法在实现植物景观三维图像边缘锐化处理中的应用性能，本文进行了实验分析，实验设备如图2所示.
图2 实验设备图
Fig.2 Experimental equipment
植物景观三维图像的匹配模板为120×120的均匀分布模板，植物景观的模板特征分辨率为400×400，边缘锐化结构相似度系数为0.45，得到植物景观三维图像如图3所示.
图3 植物景观三维图像
Fig.3 3D image of plant landscape
根据植物景观的表面点、细节区域进行植物景观图像超分辨率重构和模板匹配，具体目标数据为：dγ0方向上的峰值信噪比为255，三维图像的区域边缘锐化系数为20.1，拉普拉斯算子系数为134.将目标数据代入三维图像区域边缘锐化稀疏分布模型中，得到重建植物景观图像的整体直方图分布模型，如图4所示.采用色调映射和颜色特征分解方法进行植物景观三维图像边缘锐化处理，得到边缘锐化结果如图5所示.
图4 相关性检测模板匹配的灰度直方图
Fig.4 Grayscale histogram matched with correlation detecting template
图5 植物景观三维图像的边缘锐化结果
Fig.5 Edge sharpening results of 3D image for plant landscape
分析图5可知，采用本文方法能有效实现对植物景观三维图像边缘锐化，特征分辨能力较好.根据式(16)测试植物景观三维图像边缘锐化表面点自相似性系数，与模糊理论及框架域算法进行对比结果如表1所示.相似性系数为常数，越靠近1说明三维规划设计能力越好.
表1 边缘锐化表面点自相似性系数对比
Tab.1 Self-similarity coefficients contrast of surface points of sharpened edges
图像序列本文方法模糊理论框架域10.9340.8750.83120.9530.8940.90230.9450.8640.92140.9780.8900.89350.9940.9120.934
分析表1得知，本文方法的植物景观三维图像边缘锐化表面点自相似性系数最高，说明对植物景观的三维规划设计能力较好.
4 结 论
本文提出了基于色调映射和颜色特征分解的植物景观三维图像边缘锐化方法.构建植物景观三维图像的稀疏表示模型，根据植物景观的表面点、细节区域进行植物景观图像超分辨率重构和模板匹配，重建植物景观图像的整体直方图分布模型.采用色调映射和颜色特征分解方法进行植物景观三维图像边缘锐化处理.实验结果表明，采用该方法进行植物景观三维图像边缘锐化处理的特征分辨能力较好，提高了植物景观布局设计的效果.
[1]杨维.基于三维视角的高密度景观规划设计 [J].现代电子技术，2018，41(3)：71-74.
(YANG Wei.Design of high-density landscape planning based on 3D perspective [J].Modern Electronics Technique，2018，41(3)：71-74.)
[2]张宝平，黄庆丰.关于三维城市景观实体准确测量优化建模仿真 [J].计算机仿真，2018，35(5)：229-232.
(ZHANG Bao-ping，HUANG Qing-feng.Simulation of 3D urban landscape entity measurement and optimization modeling [J].Computer Simulation，2018，35(5)：229-232.)
[3]桂金瑶，查长军.海量激光遥感图像边缘的锐化 [J].科技通报，2018(1)：115-118.
(GUI Jin-yao，ZHA Chang-jun.Sharpening of massive laser remote sensing image [J].Bulletin of Science and Technology，2018(1)：115-118.)
[4]王敬凯，杨小远.基于框架域的随机游走全色锐化方法 [J].北京航空航天大学学报，2017，43(4)：68-78.
(WANG Jing-kai，YANG Xiao-yuan.Framelet-based random walk pan-sharpening method [J].Journal of Beijing University of Aeronautics and Astronautics，2017，43(4)：68-78.)
[5]吴宗骏，吴炜，杨晓敏.改进的基于稀疏表示的全色锐化算法 [J].计算机应用，2019，39(2)：540-545.
(WU Zong-jun，WU Wei，YANG Xiao-min.Improved panchromatic sharpening algorithm based on sparse representation [J].Journal of Computer Applications，2019，39(2)：540-545.)
[6]周圆，王爱华，陈莹，等.基于非局部稀疏表示的立体图像的超分辨率重建 [J].天津大学学报，2017，50(4)：377-384.
(ZHOU Yuan，WANG Ai-hua，CHEN Ying，et al.Stereo image super-resolution reconstruction based on non-local sparse representation [J].Journal of Tianjin University，2017，50(4)：377-384.)
[7]曹芳，朱永康.基于SFS方法的三维重构及精度分析 [J].计算机科学，2017，44(增刊1)：244-247.
(CAO Fang，ZHU Yong-kang.3D reconstruction based on SFS method and accuracy analysis [J].Computer Science，2017，44(Sup1)：244-247.)
[8]张珊，朱宇鹏.基于三维视觉的海洋生物区域种类识别仿真 [J].计算机仿真，2018，35(5)：408-411.
(ZHANG Shan，ZHU Yu-peng.Simulation of regional species identification of marine organisms based on 3D vision [J].Computer Simulation，2018，35(5)：408-411.)
[9]王金茹.基于稀疏分解和背景差分融合方法的图像处理技术 [J].沈阳工业大学学报，2018，40(4)：436-440.
(WANG Jin-ru.Image processing technology based on sparse decomposition and background difference fusion method [J].Journal of Shenyang University of Techno-logy，2018，40(4)：436-440.)