CN104050683A - 一种基于单幅图像分数阶处理的纹理力触觉感知方法 - Google Patents

Abstract

本发明公开了一种基于单幅图像分数阶处理的纹理力触觉感知方法，利用分数阶微分算法，动态调节分数阶微分算法的阶数γ，获取增强纹理图像，从中提取原始图像纹理信息，从图像空域灰度变化特征角度实现对不同灰度变化率的细节纹理及边缘轮廓的多尺度分析；对虚拟表面纹理进行力触觉渲染，基于增强纹理图像的梯度向量分布控制力触觉感知模型的切向力摩擦阻尼系数；计算所得合力通过手控器反馈给操作者。本发明利用分数阶微分对于细节信息的敏感性，通过人为选择阶数，从不同尺度提取二维图像信号中的纹理信息并将其转化为摩擦阻尼控制，提高了纹理力触觉感知的真实感。

Description

一种基于单幅图像分数阶处理的纹理力触觉感知方法

技术领域

本发明属于虚拟现实技术中的力触觉再现领域，涉及一种基于单幅图像分数阶处理的纹理力触觉感知方法。

背景技术

随着虚拟现实技术在外科手术方针、遥操作机器人控制、虚拟制造等领域的广泛应用，力触觉再现技术对于虚拟操作的重要性日益显著。力/触觉再现技术提供了一种独特的人机交互方式，它通过触觉感知实现人与交互系统的双向互动。其研究主要涉及算法和虚拟物体触感的生成及渲染，这一领域与计算机图形学及虚拟现实技术有着紧密联系。力/触觉再现系统通过利用触觉向用户提供了对虚拟世界更加自然和真实的接触，从而进一步提升多媒体合成环境中的用户体验。近年，力/触觉再现技术中的一个关键领域——纹理力/触觉再现受到了越来越多的关注。研究纹理力/触觉再现的目的是产生更加真实的虚拟物体。表面没有纹理的物体其触感是平滑的，而通过引入纹理力/触觉再现，可以加强虚拟物体的真实感。纹理力/触觉再现技术通过提供接触物体时的接触力，能够帮助用户感知和识别物体。准确获得表面细节的力/触觉反馈是成功完成精确操作的关键因素。

目前，纹理力/触觉再现技术主要是通过建立物体表面纹理的三维模型，进行纹理力/触觉渲染计算得到纹理接触力，并最终通过力/触觉交互设备反馈给操作者，从而使操作者感知纹理表面的物理信息。

物体表面纹理的建模方法主要有三种：(1)基于图像处理的方法；(2)基于真实测量的方法；(3)基于数学合成的方法。

(1)基于图像处理的方法：

图像的纹理表面建模方法首先利用图像处理算法获得图像中物体表面纹理的特征信息，然后根据这些特征信息得到纹理高度轮廓。2005年，LeMercier等人提出了四种像素亮度与对应点三维高度的映射方法，重建纹理图像所反映表面的微观三维几何形状，进而完成力/触觉的渲染。这种方法虽然可以有效重现图像目标表面几何纹理的凹凸感，但是由于其高度场模型是基于经验建立而非基于物体成像原理，所恢复的表面三维轮廓并不真实。2007年，东南大学吴涓和宋爱国等人设计了高斯滤波器对图像进行空间滤波，将高频部分作为纹理表面，分别应用胡克定律和摩擦力公式计算虚拟探针对纹理表面作用的法向力和摩擦力，这种方法只能是操作者感知图像边。2008年，Vasudevan等人提出了一种力渲染掩模的概念，通过子图像与力渲染掩模相乘，有效地对图像的边缘和纹理进行力/触觉渲染。但是这些方法并未恢复虚拟表面的微观三维轮廓与纹理信息，仅使操作者感知其边缘或者粗糙度。

(2)基于真实测量的方法：

通过真实测量建立纹理模型的方法精度高，但是对测量设备要求高、成本高。依据测量方式可分为接触式测量法与非接触式测量法。前者有Wall和Harwin采用线性可变差动变压器测量探针在表面上移动(以接近恒定的速度)时的位移，可获得较好的纹理模型，但是缺少力测量，只能得到表面粗糙度信息。Jchen Lang等人采用WHaT触觉探头测量力以及加速度信号用于评估的表面粗糙度和刚度，同时由加速度信号做二次积分获得纹理高度。接触式测量法不能囊括整个表面的二维纹理信息，且针针尖的大小直接关系到运动轨迹的震动幅度。非接触式方法主要利用光学特性获得纹理高度，如Costa和Cutkosky采用光学表面轮廓仪扫描岩石表面并利用分形算法合成纹理模型。

(3)基于数学合成的方法：

Siira和Pai于1996年首先利用高斯函数合成表面纹理模型。其原理是真实物体表面的纹理大部分都具有高斯分布特征。1999年，Ho等人提出的纹理合成模型综合应用了分形布朗运动函数、傅里叶滤波和Perlin噪声等数学方法。但是这种合成的方法所得到的纹理模型只是粗糙度上与真实纹理相近，事实上其与真实纹理并不存在边缘轮廓或高度上的对应。

由于真实场景中的物体所包含的三维轮廓信息、表面细节纹理信息在成像过程中均被映射入二维图像中，传统的基于图像的纹理力触觉再现技术并未对这些信息加以区分，直接对二维图像进行力触觉渲染，造成细节纹理丢失、轮廓识别与纹理感知结果误判。

发明内容

技术问题：本发明提供一种动态调节参数，实现对图像边缘轮廓、细节纹理的多尺度分析，提取图像的三维纹理信息，应用于力触觉渲染、感知的基于单幅图像分数阶处理的纹理力触觉感知方法。

技术方案：本发明的基于单幅图像分数阶处理的纹理力触觉感知方法，包含以下步骤：

步骤(1)利用分数阶微分算法进行纹理信息提取：动态调节分数阶微分算法中微分运算的阶数γ，获得反应图像纹理信息的增强纹理图像；

步骤(3)依据所述步骤(2)中获得的梯度向量计算切向力摩擦阻尼系数，进而计算得到切向摩擦阻尼；同时依据步骤(1)获得的增强纹理图像，以胡克模型为基础，建立法向力模型，进而计算得到法向力。

步骤(4)计算纹理感知合力，由手控器反馈给操作者。

本发明中，步骤(1)的具体流程为：设定至少两个0～2的阶数代入分数阶微分算子中，得到对应的分数阶微分模板，然后根据所述分数阶微分模板和系数运算规则进行图像分解，得到一组增强纹理图像，进而提取图像的细节纹理信息或边缘轮廓信息。

本发明的优选方案中，步骤(3)中根据下式计算切向力摩擦阻尼系数：

$B=\left\{\begin{array}{cc}\frac{k}{2{\max }^{\&prime;}\left(G\right)}\&CenterDot;\mathrm{mag}\left(G\right)& 0\&le;\mathrm{mag}\left(G\right)<\mathrm{mag}{\left(G\right)}_0\\ \frac{k}{3{\max }^{\&prime;}\left(G\right)}\&CenterDot;\mathrm{mag}\left(G\right)+\frac{k}{6}\&CenterDot;\frac{\mathrm{mag}{\left(G\right)}_0}{{\max }^{\&prime;}\left(G\right)}& \mathrm{mag}{\left(G\right)}_0\&le;\mathrm{mag}\left(G\right)<{\max }^{\&prime;}\left(G\right)\end{array}\right.$

其中，B为待求切向力摩擦阻尼系数；k为预先设置的比例系数；mag(G)为梯度向量模值；max'(G)为图像所有像素点梯度向量模值最大值；mag(G)₀为人为选定的分界点。

本发明的上述优选方案中，步骤(3)中人为选定的分界点mag(G)₀可以设置为max'(G)/2。

本发明的优选方案中，步骤(3)中建立的法向力模型为：

${\stackrel{\&RightArrow;}{F}}_n=K\&CenterDot;f(x,y)\&CenterDot;\stackrel{\&RightArrow;}{n}$

其中，为待求法向力；K为虚拟纹理的刚度系数；f(x,y)为增强纹理图像的归一化灰度矩阵在(x,y)处的值，代表虚拟纹理的高度；为垂直方向单位向量。

本方法研究了基于图像处理的纹理力触觉再现技术，利用分数阶微分算法提取图像纹理信息。分数阶微积分是数学分析的一个重要分支，将分数阶微积分应用到图像信号处理上，是一个较新的研究方向。图像信号中高度自相似的分形信息通常以复杂的纹理细节信息表现的，而分数阶微积分是分形学说的数学基础之一，可以利用分数阶微分对细节信息的敏感性来提取二维图像信号中的复杂纹理细节特征。

本发明方法利用分数阶微分算法动态调节阶数γ多尺度提取图像纹理信息，根据纹理图像的梯度向量模值分布控制摩擦阻尼系数，构建纹理感知力模型进行力触觉渲染。本发明利用分数阶微分算法提取原始图像纹理信息；动态调节分数阶微分算法中微分运算的阶数γ，从图像空域灰度变化特征角度实现对不同灰度变化率的细节纹理及边缘轮廓的多尺度分析，提取增强的纹理图像；对虚拟表面纹理进行力触觉渲染，基于增强纹理图像的梯度向量分布控制力触觉感知模型的切向力摩擦阻尼系数；计算所得合力通过手控器反馈给操作者。

有益效果：与现有技术相比，本发明方法具有以下优点：

与以往的基于图像处理的纹理力触觉再现技术相比，由于本方法应用分数阶微分算法对图像进行预处理，对其进行多尺度分析，有所侧重的增强图像的边缘轮廓或细节纹理，提取增强纹理图像。对三维形状轮廓、表面细节纹理加以区分，避免了对物体轮廓识别和纹理感知的误判，真实再现虚拟物体表面的触感。

本方法选择分数阶微分算法，对比传统微分运算有很大的优势。当微分阶数γ≥1时，随着微分阶数的增加，对信号高频部分的提升越加剧烈，对低频削弱也越加明显。当0<γ<1时，信号高频部分得到了一定程度的提升，而中频也有所加强，更重要的是信号低频幅度并未被大幅削弱。可见，分数阶微分不仅能够适当地增强信号高中频部分，且不会削弱信号低频部分，而是作了非线性的保留。因此，应用分数阶微分的该项特性，既能尽量保留数字图像的低频轮廓特征，同时又能非线性地增强数字图像中的灰度值跃变幅度相对较大的高频纹理特征。

本方法可动态调节阶数γ，增大γ则增强对边缘轮廓的提取，减小γ则更好的保留图像的细节纹理。可依据观察需求，选择合适的阶数获得增强纹理图像，以实现对图像不同纹理特征的多尺度分析，保证了对纹理信息提取的全面性。

由于图像梯度对图像的纹理较为敏感，根据增强纹理图像梯度变化生成摩擦阻尼系数，使其正相关于纹理图像空域灰度变化率，在灰度变化剧烈的边缘轮廓区域反馈较大的阻尼系数，而变化平缓的细节纹理区域摩擦反馈较小的阻尼系数。在纹理力反馈过程中，使操作者在灰度变化剧烈的边缘区域感受到较大的摩擦阻力，而在变化平缓的细节纹理区域感受到较小的摩擦阻尼，大大提高了纹理力触觉感知的真实感。

附图说明

图1是本发明方法的系统框图。

图2是一阶、二阶整数阶微分和分数阶微分的幅频特性曲线。

图3是Tiansi分数阶微分算子掩膜。

图4是Sobel算子掩膜示意图，其中图4(a)为x方向，图4(b)为y方向。

图5是纹理感知力模型图。

具体实施方式

下面结合实施例和说明书附图，对本发明技术方案的实施方式和具体的操作过程作详细说明，但实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。

参见图1，为真实再现图像纹理的触感，首先利用分数阶微分算法对原图进行预处理，可人为选定阶数以实现对细节纹理和边缘轮廓的多尺度分析，得到增强纹理图像；操作者操控手控器虚拟探针在虚拟纹理表面“摸索”，基于提取的纹理信息建立纹理感知力模型，计算虚拟探针与虚拟表面接触点的微观法向力与切向力，将纹理感知力合力实时反馈给操作者，为操作者提供反映图像纹理信息的触感。

参见图2，可知所有微分运算都有提升信号高频的作用，且随频率和微分阶数的增加提升效果越明显，同时微分运算也对信号的低频部分有所削弱。记微分运算的阶数为γ。当γ>1时，信号高频部分得到很大程度的提升，低频部分被削弱；当0<γ<1时，信号高频部分得到了一定程度的提升，而中频有所加强，信号的低频部分并未被大幅削弱而是作了非线性的保留。阶数γ越大，对信号高频部分的提升越明显，对图像中灰度变化剧烈的边缘区域的增强作用越明显，利于对图像的边缘轮廓进行观察、分析；反之减小γ，可更大程度的保留信号的低频部分，即图像中灰度变化较小而纹理细节丰富的区域，更好的保留图像的细节纹理。

综上所述，阶数γ对分数阶微分运算结果的影响体现为：增大γ则增强对边缘轮廓的提取，减小γ则更好的保留图像的细节纹理。在实际操作中通过人为设定参数，动态调节分数阶微分算法阶数，从图像空域灰度变化特征角度实现对不同灰度变化率的细节纹理及边缘轮廓的多尺度分析。

在步骤(1)中，设定至少两个0～2的阶数代入分数阶微分算子中，得到对应的分数阶微分模板，然后根据所述分数阶微分模板和系数运算规则进行图像分解，得到一组增强纹理图像，进而提取增强纹理图像的细节纹理信息和边缘轮廓信息。

一般来说，在大小为M×N的图像f上，用m×n大小的滤波器掩模进行线性滤波：

$g(x,y)\underset{s=-a}{\overset{a}{\mathrm{\&Sigma;}}}\underset{t=-b}{\overset{b}{\mathrm{\&Sigma;}}}w(s,t)f(x+s,y+t)$

其中，g(x,y)为点(x,y)处的滤波运算结果；m×n为滤波器掩膜的大小，a＝(m-1)2且b＝(n-1)2；w(s,t)为滤波掩模在点(s,t)处的系数，f(x+s,y+t)为点(x+s,y+t)处的图像灰度值。

为了得到一幅完整的经过滤波处理的图像，必须对x＝0，1，2，…，M－1和y＝0，1，2，…，N－1依次应用上式对图像中的所有像素进行滤波处理。为易于实现滤波并将误差控制在较小范围，选择分数阶差分定义的前3项。为构造各向同性的掩模算子，考虑x轴方向左右和y轴方向上下，于是这四个方向分别有1个f(x,y)项，如此即有4个项。再考虑斜向45°方向上像素的影响，于是需加上4个斜向的项。由于每个斜向各包含一个f(x,y)项，所以加上4个斜向，f(x,y)项共有8个，得到分数阶微分掩模(Tiansi算子)，参见图3。

利用Tiansi算子提取图像纹理信息。首先将Tiansi掩模进行归一化处理，每项除以(8-12γ+4γ²)，其为模板中所有掩模系数之和，然后用Tiansi模板对图像进行卷积运算。这样对于邻近像素灰度值变化较为平稳的区域，经过滤波后输出的灰度值基本保持原来的灰度值；而对于邻近像素灰度值发生快速变化的区域，经过滤波后输出的像素灰度值得到了很大程度的提升。最后，将经过Tiansi掩模滤波后的图像减去原图像，即可得到增强纹理图像，从中获取图像的细节纹理信息或边缘轮廓信息。

在步骤(2)中，针对步骤(1)获得的增强纹理图像，计算其梯度向量，得到图像空域灰度变化率分布，它反映了纹理图像的每一个像素点上最大灰度变化的大小和方向。

图像f在像素点(x,y)处的梯度向量记为G[f(x,y)]，它是一个二维列向量，表示为：

$G\left[f(x,y)\right]=\left[\begin{array}{c}{G}_x^{\&prime;}\\ G_y^{\&prime;}\end{array}\right]=\left[\begin{array}{c}\frac{\&PartialD;f}{\&PartialD;x}\\ \frac{\&PartialD;f}{\&PartialD;y}\end{array}\right]$

其中，G[f(x,y)]为图像f在像素点(x,y)处的梯度向量；G'_x为图像f在像素点(x,y)处x方向的梯度向量，G'_y为图像f在像素点(x,y)处y方向的梯度向量；为图像f在像素点(x,y)处x方向偏微分，为图像f在像素点(x,y)处y方向偏微分。

定义梯度的模值：

$\mathrm{mag}\left(G\right[f(x,y)\left]\right)=\sqrt{{G_x^{\&prime;}}^2+{G_y^{\&prime;}}^2}=\sqrt{[{\left(\frac{\&PartialD;f}{\&PartialD;x}\right)}^2+{\left(\frac{\&PartialD;f}{\&PartialD;y}\right)}^2]}$

其中，mag(G[f(x,y)])为图像f在像素点(x,y)处的梯度向量模值；G'_x为图像f在像素点(x,y)处x方向的梯度向量，G'_y为图像f在像素点(x,y)处y方向的梯度向量；为图像f在像素点(x,y)处x方向偏微分，为图像f在像素点(x,y)处y方向偏微分。

参见图4，将偏微分与近似用差分Δ_xf(x,y)与Δ_yf(x,y)代替，利用Soble算子求解一个邻域中心点处的梯度，沿x和y方向的一阶差分表示为：

$\left\{\begin{array}{c}{\mathrm{\&Delta;}}_{x}f(x,y)=f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)-f(x-1,y-1)-2f(x,y-1)-f(x+1,y-1)\\ {\mathrm{\&Delta;}}_{y}f(x,y)=f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)-f(x+1,y-1)-2f(x+1,y)-f(x+1,y+1)\end{array}\right.$

其中，Δ_xf(x,y)为图像f在像素点(x,y)处x方向的差分，Δ_yf(x,y)为图像f在像素点(x,y)处y方向的差分；f(x,y)为图像f在像素点(x,y)处的灰度值。

至此，求得各像素点梯度向量模值：

$\mathrm{mag}\left(G\right[f(x,y)\left]\right)=\sqrt{{\mathrm{\&Delta;}}_{x}f{(x,y)}^2+{\mathrm{\&Delta;}}_{y}f{(x,y)}^2}.$

在具体运算过程中，首先使用x方向掩膜对图像进行滤波处理，再利用y方向掩膜对图像进行滤波处理，计算两个方向滤波后的图像像素值的平方，将其结果相加并开平方，即可得增强纹理图像梯度向量模值分布。

在步骤(3)中，根据步骤(2)获得的增强纹理图像的梯度向量分布计算纹理感知力模型切向摩擦阻尼系数，使其正相关于纹理图像空域灰度变化率，在灰度变化剧烈的边缘轮廓区域反馈较大的阻尼系数，而变化平缓的细节纹理区域摩擦反馈较小的阻尼系数。

基本公式如下所示，摩擦阻尼系数B与梯度向量模值mag(G)呈线性正相关。

$B=\frac{k_0}{{\max }^{\&prime;}\left(G\right)}\mathrm{mag}\left(G\right)$

其中，B为待求阻尼系数；max'(G)为图像所有像素点梯度向量模值最大值；k₀为预先设定的比例系数，用于控制摩擦阻尼系数对图像灰度变化速度的敏感程度，调整摩擦阻尼大小，使得纹理感知合力符合手控器输出力的范围。

在增强纹理图像中，梯度向量模值较小的区域灰度变化较小，而此区域正是纹理细节丰富的特征区域，为了突出对细节纹理的力反馈效果，可适当增大k₀，以增大摩擦阻尼系数对图像灰度变化速度的敏感程度；而对于梯度向量模值较大的边缘轮廓区域，可适当减小k₀，平缓摩擦阻尼系数随梯度向量模值变化的变化速度，以获得更为平滑、真实的反馈力信号。

选择图像所有像素点梯度向量模值最大值max'(G)的一半为分界点，将图像分为灰度变化平缓区域和灰度变化剧烈区域。k为预先设定的比例系数，用于控制摩擦阻尼系数对图像灰度变化速度的敏感程度，调整摩擦阻尼大小，使得纹理感知合力符合手控器输出力的范围。得到摩擦阻尼系数公式如下：

$B=\left\{\begin{array}{cc}\frac{k}{2{\max }^{\&prime;}\left(G\right)}\&CenterDot;\mathrm{mag}\left(G\right)& 0\&le;\mathrm{mag}\left(G\right)<\mathrm{mag}{\left(G\right)}_0\\ \frac{k}{3{\max }^{\&prime;}\left(G\right)}\&CenterDot;\mathrm{mag}\left(G\right)+\frac{k}{6}\&CenterDot;\frac{\mathrm{mag}{\left(G\right)}_0}{{\max }^{\&prime;}\left(G\right)}& \mathrm{mag}{\left(G\right)}_0\&le;\mathrm{mag}\left(G\right)<{\max }^{\&prime;}\left(G\right)\end{array}\right.$

其中，B为待求切向力摩擦阻尼系数；k为预先设置的比例系数；mag(G)为梯度向量模值；max'(G)为图像所有像素点梯度向量模值最大值；mag(G)₀为人为选定的分界点，取为max'(G)/2。

比例系数k的设置方法如下：

根据步骤(3)建立的法向力模型，计算法向力最大值根据步骤(3)建立的摩擦阻尼系数公式，计算摩擦阻尼系数最大值

$B_{\mathrm{Max}}=\frac{5}{12}\&CenterDot;k$

其中k为待定比例系数。

据此可估算出切向摩擦阻尼最大值：

${|\stackrel{\&RightArrow;}{F}}_f{|}_{\mathrm{Max}}=\frac{5}{12}\&CenterDot;k\&CenterDot;V_{\mathrm{Max}}$

其中，k为待定比例系数，V_Max为用户操纵手控器的最大移动速度。

得最大纹理感知力：

${\left|{\stackrel{\&RightArrow;}{F}}_c\right|}_{\mathrm{Max}}=\sqrt{{(\frac{5}{12}\&CenterDot;k\&CenterDot;V_{\mathrm{Max}})}^2+{{\left|{\stackrel{\&RightArrow;}{F}}_n\right|}_{\mathrm{Max}}}^2}$

其中，k为待定参数，V_Max为用户操纵手控器的最大移动速度，为法向力最大值。

令 ${\left|{\stackrel{\&RightArrow;}{F}}_c\right|}_{\mathrm{Max}}\&le;F_{\mathrm{Max}},$ 即

$\sqrt{{(\frac{5}{12}\&CenterDot;k\&CenterDot;V_{\mathrm{Max}})}^2+{{\left|{\stackrel{\&RightArrow;}{F}}_n\right|}_{\mathrm{Max}}}^2\&le;F_{\mathrm{Max}}}$

其中F_Max为手控器最大输出力，可估算出k的最大取值k_Max。在实际操作中，可选择略小于k_Max的正参数作为k的取值。

根据步骤(1)获得的增强纹理图像，建立的法向力模型为：

${\stackrel{\&RightArrow;}{F}}_n=K\&CenterDot;f(x,y)\&CenterDot;\stackrel{\&RightArrow;}{n}$

其中，为待求法向力；K为虚拟纹理的刚度系数；f(x,y)为增强纹理图像的归一化灰度矩阵在(x,y)处的值，代表虚拟纹理的高度；为垂直方向单位向量。

切向摩擦阻尼模型如下：

${\stackrel{\&RightArrow;}{F}}_f=-B\&CenterDot;\stackrel{\&RightArrow;}{v}$

其中，为待求切向摩擦阻尼；B为摩擦阻尼系数；为虚拟探针沿虚拟纹理表面移动的速度矢量。

本发明方法涉及的纹理感知力模型参见图5。纹理感知力由切向摩擦阻尼与法向力构成合力。

计算感知力合力：

${\stackrel{\&RightArrow;}{F}}_c={\stackrel{\&RightArrow;}{F}}_f+{\stackrel{\&RightArrow;}{F}}_n$

其中，为感知力合力；为切向摩擦阻尼；为待求法向力。

为验证本发明的实施效果，将其与PHANTOM Omni手控器(工作空间>160W×120H×70Dmm，位置精度约为0.055mm，最大施力3.3N，能够实现沿X、Y、Z轴的作用力反馈)与之进行力触觉交互，并随机挑选20名受试者(男女各占一半)进行虚拟纹理感知实验。实验方法：选取了Brodatz纹理库中五幅典型纹理图像进行纹理信息提取，设置阶数γ＝0.3、γ＝0.5、γ＝0.8和γ＝1.1作为分数阶微分阶数，分别对其进行纹理提取。由处理结果对比可以看出，0.3阶微分提取结果可以真实的保留细节纹理信息，无失真现象，但是对比高阶数提取其增强效果较弱；随着阶数的增加，图像纹理信息增强效果更为明显，尤其是对边缘轮廓的增强，但是细节纹理的保真度有所减弱。将其结合进行虚拟纹理感知，可以兼顾纹理信息增强与细节纹理保真，多尺度的对原图进行分析。让每名受试者戴上眼罩进行力触觉感知以排除视觉对触觉感知的影响；受试者利用Omni手控器操作杆控制虚拟探针在虚拟纹理表面进行“摸索”，操作过程可动态调整分数阶微分阶数以获得真实、全面的纹理信息感知；感知过程结束后，观看五幅真实纹理图像，对感知到的虚拟纹理与所见真实纹理图片进行匹配，统计受试者对每幅图片的感知正确率，并与受试者交流感受体验。

实验证明，本发明方法可以获得良好的效果，真实的再现图像纹理信息。

Claims (5)

1.一种基于单幅图像分数阶处理的纹理力触觉感知方法，其特征在于：该方法包含以下步骤：

步骤(1)利用分数阶微分算法进行纹理信息提取：动态调节分数阶微分算法中微分运算的阶数γ，获得反应图像纹理信息的增强纹理图像；

步骤(2)针对所述步骤(1)中获得的增强纹理图像，计算其梯度向量；

步骤(3)依据所述步骤(2)中获得的梯度向量计算切向力摩擦阻尼系数，进而计算得到切向摩擦阻尼；

同时依据步骤(1)获得的增强纹理图像，以胡克模型为基础，建立法向力模型，进而计算得到法向力；

步骤(4)计算纹理感知合力，由手控器反馈给操作者。

2.根据权利要求1所述基于单幅图像分数阶处理的纹理力触觉感知方法，其特征在于：所述步骤(1)的具体流程为：

设定至少两个0～2的阶数代入分数阶微分算子中，得到对应的分数阶微分模板，然后根据所述分数阶微分模板和系数运算规则进行图像分解，得到一组增强纹理图像，进而获取图像的细节纹理信息或边缘轮廓信息。

3.根据权利要求1或2所述基于单幅图像分数阶处理的纹理力触觉感知方法，其特征在于：所述步骤(3)中根据下式计算切向力摩擦阻尼系数：

$B=\left\{\begin{array}{cc}\frac{k}{2{\max }^{\&prime;}\left(G\right)}\&CenterDot;\mathrm{mag}\left(G\right)& 0\&le;\mathrm{mag}\left(G\right)<\mathrm{mag}{\left(G\right)}_0\\ \frac{k}{3{\max }^{\&prime;}\left(G\right)}\&CenterDot;\mathrm{mag}\left(G\right)+\frac{k}{6}\&CenterDot;\frac{\mathrm{mag}{\left(G\right)}_0}{{\max }^{\&prime;}\left(G\right)}& \mathrm{mag}{\left(G\right)}_0\&le;\mathrm{mag}\left(G\right)<{\max }^{\&prime;}\left(G\right)\end{array}\right.$

其中，B为待求切向力摩擦阻尼系数；k为预先设置的比例系数；mag(G)为梯度向量模值；max'(G)为图像所有像素点梯度向量模值最大值；mag(G)₀为人为选定的分界点。

4.根据权利要求3所述基于单幅图像分数阶处理的纹理力触觉感知方法，其特征在于：所述步骤(3)中人为选定的分界点mag(G)₀设置为max'(G)/2。

5.根据权利要求1或2所述基于单幅图像分数阶处理的纹理力触觉感知方法，其特征在于：所述步骤(3)中建立的法向力模型为：

${\stackrel{\&RightArrow;}{F}}_n=K\&CenterDot;f(x,y)\&CenterDot;\stackrel{\&RightArrow;}{n}$

其中，为待求法向力；K为虚拟纹理的刚度系数；f(x,y)为增强纹理图像的归一化灰度矩阵在(x,y)处的值，代表虚拟纹理的高度；为垂直方向单位向量。