【正文】 另一方面，考慮到人眼并行獲取信息的能力限制，可展開基于眼球跟蹤的屏幕局部顏色優(yōu)化與亮度優(yōu)化的研究。在結(jié)果實驗中，我們對一般圖像進行了測試實驗，同時我們也進行了簡單的用戶研究，結(jié)果表明該方法能夠在相同節(jié)能效率下更好地保持圖像中的感知特征。本章中的一些實驗以及簡單的用戶研究驗證了我們方法的有效性。以下總結(jié)基于測試對象的一些整體評價：近一半的測試對象在日常生活中不會過于在意顯示電能的消耗，反而會在意顯示質(zhì)量。為便于描述，我們將不處理、均勻亮度降低方法和我們的方法這三種處理方式分別記作方法A， 方法B和方法C。 實驗過程用戶研究主要分為兩個任務(wù)：可視搜索和評價打分。用戶研究能夠幫助改善網(wǎng)站、軟件應(yīng)用、手機、游戲等等交互式產(chǎn)品與技術(shù)，包括消費類電器產(chǎn)品與技術(shù)。表1給出了算法在不同分辨率圖像上的運行時間統(tǒng)計。從結(jié)果中可知，λ越小，圖像的亮度則越低，因此所需的功耗也將越少，于此同時圖像也將便得難于理解。游戲場景一般具有非常容易獲得的深度緩存圖像。在這個例子中，從圖中注意到，由于抑制了一些非特征細節(jié)的顯示，我們的方法一定程度上實現(xiàn)了一種節(jié)能的圖像風(fēng)格化技術(shù)。33浙江大學(xué)碩士學(xué)位論文 第4章 實驗結(jié)果與分析第4章 實驗結(jié)果與分析 實驗結(jié)果我們用Microsoft Visual C++和Qt工具包實現(xiàn)了我們的算法和原型軟件，并使用標(biāo)準(zhǔn)的CUDA函數(shù)對方法中的雙邊濾波、圖像距離場計算等比較耗時且可并行性好的處理過程進行加速。本章中，我們用特征重要性場描述圖像的特征重要性，并提出了一種基于該特征重要性場的自適應(yīng)亮度降低算法。圖 314 圖形亮度和對比度調(diào)節(jié)界面 圖像自適應(yīng)亮度優(yōu)化的實現(xiàn)本文第2章提出的基于節(jié)能的圖像自適應(yīng)亮度優(yōu)化方法主要包括圖像雙邊濾波、特征重要性場構(gòu)造（包括邊界檢測、邊界距離場計算等）、自適應(yīng)亮度調(diào)整優(yōu)化等三個主要步驟。else if(maxVal==b) h = *(rg)/(maxValminVal) + 。 //獲取r、g、b三者的最小值//Hueif(maxVal == minVal) h = 0。}圖 313 圖像通道選擇界面圖像亮度和對比度調(diào)節(jié)是圖像處理的最基本操作。for (int i = 0。實現(xiàn)代碼如下所示：QImage* image = new QImage?！傲炼?對比度”選項卡中實現(xiàn)了傳統(tǒng)的對圖像亮度、對比度、伽馬值等圖像參數(shù)進行調(diào)節(jié)的功能，參數(shù)調(diào)節(jié)的結(jié)果將實時地展現(xiàn)在“結(jié)果圖像”區(qū)域。針對本論文研究面臨的主要需求，本章將主要描述本文在進行圖像亮度優(yōu)化研究過程中，針對性開發(fā)的一款圖像處理原型軟件，該原型軟件的功能模塊圖如圖 310所示。上式中α表示基于特征重要性場的圖像亮度優(yōu)化函數(shù)，具體公式如下其中λ表示由用戶調(diào)整的全局亮度參數(shù)，θ由用戶調(diào)整的關(guān)于特征區(qū)域的局部亮度參數(shù)。圖 35 示例圖像的特征場示意圖，及文中各參數(shù)的含義圖 36 示例圖像的特征重要性場圖 37展示了從一個實際圖像出發(fā)，構(gòu)建特征重要性場的各個步驟。特征場描述了圖像像素的特征表示能力。同樣，邊界距離場D的每個元素也被構(gòu)造為一個三元組(x, y, d)，分別記錄距離每個像素最近的邊界像素的位置坐標(biāo)及其距離值。在本小節(jié)中，為便于理解及清楚表述各圖像處理環(huán)節(jié)的參數(shù)及中間結(jié)果，我們采用了如圖 33所示的示例圖片作為本節(jié)中的輸入圖像I’。實際的輸入圖像一般是彩色的，在本章方法中，為了避免不同的顏色在轉(zhuǎn)換為灰度圖像后具有相同的灰度，采用對紅、綠、藍三個通道分別進行雙邊濾波，最后合成的方式實現(xiàn)彩色圖像的雙邊濾波?；诓檎业姆椒ㄍㄟ^尋找圖像一階導(dǎo)數(shù)中的最大和最小值來檢測邊界，通常是將邊界定位在梯度最大的方向。本文實現(xiàn)的圖像自適應(yīng)亮度優(yōu)化算法設(shè)計流程如（圖 31）所示，在下述內(nèi)容中我們具體介紹各個環(huán)節(jié)。但是，簡單地線性降低顯示圖像內(nèi)容的亮度，可能會造成圖像質(zhì)量的下降，使得用戶不容易分辨圖像重要內(nèi)容，因此也需要從圖像基礎(chǔ)上解決這一問題。Sobel邊界檢測和Prewitt 邊界檢測效果相似,輪廓清楚,但紋理有待提高。不過Sobel算子對邊界的定位不是很準(zhǔn)確，圖像的邊界寬度往往不止一個像素，不適合對邊界定位的準(zhǔn)確性要求很高的應(yīng)用。下圖展示了四個算子的離散形式。可以認(rèn)為二階導(dǎo)數(shù)是一階導(dǎo)數(shù)的導(dǎo)數(shù)，也就是差分的差分。l Sobel算子采用梯度微分銳化圖像，同時會使噪聲、條紋等得到增強，Sobel算子則在一定程度上克服了這個問題。l Prewitt算子上述Roberts算子的模板是2*2的，比較常見的還有3*3的模板，例如Prewitt算子。在圖像處理中一般用小區(qū)域的模版卷積來近似圖像梯度。實際圖像中的大多數(shù)邊界是銳邊，其灰度變化是由少量像素的陡變組成。圖像的邊界是圖像的基本特征。Agawala[25]等在2007年Siggraph上提出了一種近似求解部分梯度域問題的方法，大大降低了內(nèi)存需求與計算時間。而在梯度域的HDR處理中，則是多尺度地改變原始的梯度，根據(jù)初始梯度的大小，相應(yīng)地進行放縮。Adobe公司的Healing Brush也用到了類似的技術(shù)。同時避免普通直方圖定制中產(chǎn)生的平坦區(qū)域被拉伸的問題[38]。該軟件接受一般圖像文件的讀取，允許用戶對圖像進行基本的操作（如亮度/對比度的調(diào)整、圖像結(jié)果保存等），并方便用戶對圖像處理過程中參數(shù)調(diào)節(jié)等操作進行實時的預(yù)覽。鑒于全局算子的上述缺點，近幾年一些學(xué)者提出了基于梯度域的亮度調(diào)整算法。圖像處理一般指數(shù)字圖像處理。此外，基于光學(xué)理論的處理方法依然占有重要的地位。另一方面，也有一些研究則根據(jù)用戶的交互行為，采用了一些自適應(yīng)的亮度調(diào)整方案。OLED顯示器的每個像素均包含了R（Red）、G（Green）、B（Blue）色彩模型中三個原色的發(fā)光單元，通過不同的亮度調(diào)節(jié)形成不同的顏色變化。TFTLCD顯示器在當(dāng)前和過去的十幾年中一直比較流行，大部分使用了冷陰極熒光燈作為背光光源為顯示器提供背光照明。因此節(jié)能顯示技術(shù)的研究，特別是在延長移動設(shè)備電池持續(xù)供電時間等方面有著十分迫切的需求。在圖像處理與應(yīng)用程序的顏色設(shè)計中，可以通過調(diào)節(jié)優(yōu)化圖像顏色成分或選取更節(jié)能的顏色模式的方式實現(xiàn)節(jié)能的顯示。當(dāng)透光率為0時，屏幕會顯示為黑色，然而由于工藝的問題，這類顯示器產(chǎn)品通常會存在漏光的現(xiàn)象。它的主要原理是以電流刺激液晶分子產(chǎn)生點、線、面配合背部燈管構(gòu)成畫面。從技術(shù)上講，顯示內(nèi)容的節(jié)能顯示主要可以從硬件和軟件方面進行。最后，本文將上述方法應(yīng)用于一般圖像進行了實例測試，并做了簡單的用戶研究，結(jié)果表明該方法能夠在相同節(jié)能效率下更好地保持圖像中的感知特征。而液晶顯示技術(shù)的發(fā)展正好切合目前信息產(chǎn)品的潮流，無論是直角顯示、低耗電量、體積小、還是零輻射等液晶顯示屏優(yōu)點，都能讓使用者享受最佳的視覺環(huán)境。OLED顯示器采用非常薄的有機材料涂層和玻璃基板，當(dāng)電流通過時，有機材料就會發(fā)光。本文根據(jù)顯示器的特性，實現(xiàn)了一種面向節(jié)能的圖像亮度優(yōu)化方法，通過對圖像內(nèi)容的特征增強方法補償亮度降低后信息傳遞和圖像質(zhì)量的損失，從而實現(xiàn)一般圖像特別是地理信息圖像的節(jié)能顯示。通過鏈接的方式返回Google搜索結(jié)果，其主頁宣稱節(jié)約電能已達3800千瓦時。Harter等人則提出將屏幕區(qū)域進行分塊，每個分塊區(qū)域內(nèi)使用一個背光光源，顯示器內(nèi)建一個分區(qū)功率管理模塊，通過對顯示內(nèi)容的分析實現(xiàn)分區(qū)域的背光功率調(diào)節(jié)，從而實現(xiàn)LCD顯示器的節(jié)能顯示[6]，不過這種方法需要對顯示的圖像內(nèi)容進行顏色成分的分析，市場上具有這一技術(shù)的顯示器比較少。因為在一般的用戶與系統(tǒng)進行界面交互的行為中，通常只對當(dāng)前的活動窗口保持較高的注意力，而對其他非活動窗口幾乎不關(guān)心，因此降低非活動窗口的亮度不會影響到用戶交互行為。 圖像顏色與亮度優(yōu)化圖像處理，是對圖像進行分析、加工和處理，使其滿足視覺、心理以及其他要求的技術(shù)[20,21,22]。然而，圖像屬于二維信號，和一維信號相比，它有自己特殊的一面，處理的方式和角度也有所不同。研究自動快速的圖像增強算法，特別是自適應(yīng)的亮度調(diào)整算法有非常重要的理論和現(xiàn)實意義。本文主要采用客觀實驗和用戶測試的方法實現(xiàn)面向節(jié)能的圖像顏色和亮度優(yōu)化方法。Tumblin[27]等最早提出了色調(diào)映射的問題，即如何在動態(tài)范圍比較小的設(shè)備上顯示高動態(tài)范圍的圖像。在給出梯度域上的約束后，反求圖像，使得圖像的梯度與給定的梯度約束盡可能一致[37]。問題一般可以描述為：求解x，使得x的垂直梯度和水平梯度跟給定的▽Ix，▽Iy最吻合。由于在內(nèi)部循環(huán)處理了ATAx的計算，而ATA相當(dāng)于一個拉普拉斯算子，所以系數(shù)矩陣ATA不需要顯式地存儲下來，大大減小了算法對內(nèi)存的需求。邊界檢測是圖像分割、目標(biāo)區(qū)域識別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ), 是圖像識別中提取圖像特征的一個重要內(nèi)容。然而，在實際圖像處理中，精確檢測邊界具有相當(dāng)?shù)碾y度。經(jīng)典的邊界檢測方法是考察圖像的每個像素的某個鄰域內(nèi)灰度的變化，利用邊界鄰近一階或二階導(dǎo)數(shù)變化規(guī)律，用簡單的方法檢測邊界，這種方法稱為邊界檢測局部算子法。由于它只使用當(dāng)前像素的2*2鄰域，是最簡單的梯度算子，所以計算非常簡單。對于每一個方向的梯度，可以用模板對應(yīng)的9個像素與模板相應(yīng)的元素相乘相加得到，其計算過程與Roberts算子相似。Sobel算子通常用于水平和垂直邊界的一個簡單檢測算子。Laplacian算子對噪聲比較敏感，所以圖像一般先經(jīng)過平滑處理。Prewitt算子有一定的抗噪能力。本節(jié)中討論和比較了幾種常用的邊界檢測算子，一階導(dǎo)數(shù)算子Roberts、Prewitt、Sobel和二階導(dǎo)數(shù)算子Laplacian等4種常用的圖像邊界檢測算子。將圖像的亮度降低的實現(xiàn)主要分為兩種，一種是由軟件降低顯示內(nèi)容的亮度后，然后設(shè)備根據(jù)顯示內(nèi)容進行動態(tài)的調(diào)整背光的亮度，從而實現(xiàn)動態(tài)的顯示器功耗管理；另一種則是自動或人為地降低顯示器的亮度，輸入的顯示內(nèi)容本身不進行處理，比如在移動電子設(shè)備上，目前幾乎所有的手機都支持環(huán)境光自動感應(yīng)而進行亮度調(diào)整。 方法技術(shù)細節(jié)傳統(tǒng)LCD顯示器節(jié)能顯示的方法中，降低顯示內(nèi)容亮度的方法仍是非常有效的方法之一，能獲得最直接的節(jié)能效果。圖像屬性中的顯著變化通常反映了屬性的重要事件和變化，包括（i）深度上的不連續(xù)、（ii）表面方向不連續(xù)、（iii）物質(zhì)屬性變化和（iv）場景照明變化等。雙邊濾波[13]是一種非線性的圖像濾波算法。在本文方案中，我們?nèi)匀徽J(rèn)為邊界信息屬于重要的特征信息，且邊界鄰域像素則提供了同樣有意義的上下文信息。因此，我們通過邊界距離場的某種變換描述并構(gòu)造圖像的特征場。上述公式的求導(dǎo)在Dd(p)=W連續(xù)，保證了特征區(qū)域向非特征區(qū)域過渡的連續(xù)性。因此，我們將特征重要性場M定義如下，其中sign為求符號函數(shù)，p’=Dxy(p)，是距離像素p的最近的邊界像素。同時，將原始圖像與經(jīng)過迭代雙邊濾波得到的圖像結(jié)果進行融合后作為輸入圖像，一定程度上也能夠降低輸出圖像的非特征的細節(jié)或噪聲干擾。圖 39展示了方法應(yīng)用于圖 37中實例圖像得到的節(jié)能顯示結(jié)果。本文目前實現(xiàn)的原型軟件窗口尺寸是固定的，為了方便用戶對大尺寸圖像進行瀏覽和處理，在結(jié)果顯示區(qū)域的“原始圖像”區(qū)域和“結(jié)果圖像”區(qū)域兩部分子窗口中，用戶可以通過鼠標(biāo)對圖像進行縮放與平移操作，并且用戶對一個子窗口圖像的交互操作都可以實時地反映到另一個子窗口的圖像中，以方便用戶對結(jié)果的對比分析。QImage提供的圖像的載入與保存函數(shù)使用方便，并且支持大多數(shù)主流的圖像存儲格式（如BMP，JPG，PNG，GIF等）。在軟件實現(xiàn)中，我們遍歷圖像的每個像素，采用Qt工具包中的QRgb類來獲取圖像每個像素的紅、綠、藍三個顏色通道的值。int r = qRed(pixel)。float b = rgbblue/。amp。 //(maxValminVal 0)?hsbhue = (h360)? 360 : ((h0)?0:h)。越來越多的移動設(shè)備的普及，對節(jié)能顯示技術(shù)提出了更多的要求。本章主要描述了一個圖像處理原型軟件，在實現(xiàn)圖像的基本操作的同時，集成了本文第2章提出的基于節(jié)能的圖像自適應(yīng)亮度優(yōu)化算法。但是對于OLED顯示器而言，由于我們的特征增強主要通過特征像素的不均勻亮度降低得到的，在一定程度上可以提升在OLED顯示器顯示時的節(jié)能效率。從圖 42中可以看到，應(yīng)用均勻亮度降低方法降低了地圖中物體之間的可辨認(rèn)性，因此限制了地圖的可用性。圖 44(a)和(b)展示了在距離場圖像變換過程中參數(shù)W對結(jié)果的影響。在實驗測試中，我們使用1024 1024分辨率的輸入圖像時，算法的運行時間大約都能在5毫秒以內(nèi)，也就是說處理幀率能夠達到200fps。對用戶來說，用戶研究使得產(chǎn)品更加貼近他們的真實需求。我們使用一般圖像和地圖應(yīng)用的圖像作為實驗數(shù)據(jù)。在評價打分任務(wù)中，我們使用二維地圖信息的結(jié)果，所有的結(jié)果同樣被三種處理方法（即不處理、均勻亮度降低方法和我們的方法）進行處理。大部分測試對象都選擇了處理C最優(yōu)?；谔卣髦匾詧龅淖赃m應(yīng)亮度降低方法（即本文方法）由于增強了邊界區(qū)域的對比度，因此獲得了較好的用戶評價。在顯示器的節(jié)能手段中，亮度降低一直是最直接有效的方法之一，然而會帶來顯示內(nèi)容的特征的弱化甚至丟失，因此我們提出了基于圖像特征重要性的自適應(yīng)亮度優(yōu)化方法。有數(shù)據(jù)顯示，液晶拼接如今幾乎已經(jīng)占據(jù)整個大屏幕拼接市場的半壁江山，液晶拼接產(chǎn)品更是受到了各個行業(yè)的青睞和認(rèn)可。而獲取眼球運動信息的設(shè)備除了紅外設(shè)備之外，還可以是圖像采集設(shè)備，甚至一般電腦或手機上的攝像頭，其在軟件的支持下也可以實現(xiàn)眼球跟蹤。另一方面，考慮到大屏幕的普及，我們也將繼續(xù)對本文方法的可擴展性進行實驗論證，通過算法的改進和優(yōu)化，進一步提高大分辨率圖像的處理性能。在未來工作中，我們希望找到一種更加健壯的重要特征檢測算法。不過仍有5位測試對象認(rèn)為處理方法會降低原始圖像的精確性。圖8展示了測試對象對于可視搜索任務(wù)的平均完成時間和標(biāo)準(zhǔn)，可以看到第一次測試的完成時間均要多余第二次測試的完成時間，而方法C的測試完成時間顯著比其他方法更少。該任務(wù)使用主體間測試方法進行，即所有測試對象將被分成3 組，且每個測試對象僅對同一個結(jié)果進行兩次測試（記作R1和R2）。所有參與者都沒有