【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(kāi)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(shí)驗(yàn)中，我們對(duì)一般圖像進(jìn)行了測(cè)試實(shí)驗(yàn)，同時(shí)我們也進(jìn)行了簡(jiǎn)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(shí)驗(yàn)以及簡(jiǎn)單的用戶研究驗(yàn)證了我們方法的有效性。以下總結(jié)基于測(cè)試對(duì)象的一些整體評(píng)價(jià)：近一半的測(cè)試對(duì)象在日常生活中不會(huì)過(guò)于在意顯示電能的消耗，反而會(huì)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(shí)驗(yàn)過(guò)程用戶研究主要分為兩個(gè)任務(wù)：可視搜索和評(píng)價(jià)打分。用戶研究能夠幫助改善網(wǎng)站、軟件應(yīng)用、手機(jī)、游戲等等交互式產(chǎn)品與技術(shù)，包括消費(fèi)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(yùn)行時(shí)間統(tǒng)計(jì)。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(shí)圖像也將便得難于理解。游戲場(chǎng)景一般具有非常容易獲得的深度緩存圖像。在這個(gè)例子中，從圖中注意到，由于抑制了一些非特征細(xì)節(jié)的顯示，我們的方法一定程度上實(shí)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(shí)驗(yàn)結(jié)果與分析第4章 實(shí)驗(yàn)結(jié)果與分析 實(shí)驗(yàn)結(jié)果我們用Microsoft Visual C++和Qt工具包實(shí)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(duì)方法中的雙邊濾波、圖像距離場(chǎng)計(jì)算等比較耗時(shí)且可并行性好的處理過(guò)程進(jìn)行加速。本章中，我們用特征重要性場(chǎng)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(chǎng)的自適應(yīng)亮度降低算法。圖 314 圖形亮度和對(duì)比度調(diào)節(jié)界面 圖像自適應(yīng)亮度優(yōu)化的實(shí)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(chǎng)構(gòu)造（包括邊界檢測(cè)、邊界距離場(chǎng)計(jì)算等）、自適應(yīng)亮度調(diào)整優(yōu)化等三個(gè)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(duì)比度調(diào)節(jié)是圖像處理的最基本操作。for (int i = 0。實(shí)現(xiàn)代碼如下所示：QImage* image = new QImage?！傲炼?對(duì)比度”選項(xiàng)卡中實(shí)現(xiàn)了傳統(tǒng)的對(duì)圖像亮度、對(duì)比度、伽馬值等圖像參數(shù)進(jìn)行調(diào)節(jié)的功能，參數(shù)調(diào)節(jié)的結(jié)果將實(shí)時(shí)地展現(xiàn)在“結(jié)果圖像”區(qū)域。針對(duì)本論文研究面臨的主要需求，本章將主要描述本文在進(jìn)行圖像亮度優(yōu)化研究過(guò)程中，針對(duì)性開(kāi)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(chǎng)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(chǎng)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(chǎng)圖 37展示了從一個(gè)實(shí)際圖像出發(fā)，構(gòu)建特征重要性場(chǎng)的各個(gè)步驟。特征場(chǎng)描述了圖像像素的特征表示能力。同樣，邊界距離場(chǎng)D的每個(gè)元素也被構(gòu)造為一個(gè)三元組(x, y, d)，分別記錄距離每個(gè)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(shí)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(duì)紅、綠、藍(lán)三個(gè)通道分別進(jìn)行雙邊濾波，最后合成的方式實(shí)現(xiàn)彩色圖像的雙邊濾波?；诓檎业姆椒ㄍㄟ^(guò)尋找圖像一階導(dǎo)數(shù)中的最大和最小值來(lái)檢測(cè)邊界，通常是將邊界定位在梯度最大的方向。本文實(shí)現(xiàn)的圖像自適應(yīng)亮度優(yōu)化算法設(shè)計(jì)流程如（圖 31）所示，在下述內(nèi)容中我們具體介紹各個(gè)環(huán)節(jié)。但是，簡(jiǎn)單地線性降低顯示圖像內(nèi)容的亮度，可能會(huì)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(wèn)題。Sobel邊界檢測(cè)和Prewitt 邊界檢測(cè)效果相似,輪廓清楚,但紋理有待提高。不過(guò)Sobel算子對(duì)邊界的定位不是很準(zhǔn)確，圖像的邊界寬度往往不止一個(gè)像素，不適合對(duì)邊界定位的準(zhǔn)確性要求很高的應(yīng)用。下圖展示了四個(gè)算子的離散形式?？梢哉J(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(shí)會(huì)使噪聲、條紋等得到增強(qiáng)，Sobel算子則在一定程度上克服了這個(gè)問(wèn)題。l Prewitt算子上述Roberts算子的模板是2*2的，比較常見(jiàn)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(lái)近似圖像梯度。實(shí)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(wèn)題的方法，大大降低了內(nèi)存需求與計(jì)算時(shí)間。而在梯度域的HDR處理中，則是多尺度地改變?cè)嫉奶荻?，根?jù)初始梯度的大小，相應(yīng)地進(jìn)行放縮。Adobe公司的Healing Brush也用到了類似的技術(shù)。同時(shí)避免普通直方圖定制中產(chǎn)生的平坦區(qū)域被拉伸的問(wèn)題[38]。該軟件接受一般圖像文件的讀取，允許用戶對(duì)圖像進(jìn)行基本的操作（如亮度/對(duì)比度的調(diào)整、圖像結(jié)果保存等），并方便用戶對(duì)圖像處理過(guò)程中參數(shù)調(diào)節(jié)等操作進(jìn)行實(shí)時(shí)的預(yù)覽。鑒于全局算子的上述缺點(diǎn)，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(gè)像素均包含了R（Red）、G（Green）、B（Blue）色彩模型中三個(gè)原色的發(fā)光單元，通過(guò)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(guò)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(zhǎng)移動(dòng)設(shè)備電池持續(xù)供電時(shí)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(jì)中，可以通過(guò)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(shí)現(xiàn)節(jié)能的顯示。當(dāng)透光率為0時(shí)，屏幕會(huì)顯示為黑色，然而由于工藝的問(wèn)題，這類顯示器產(chǎn)品通常會(huì)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(diǎn)、線、面配合背部燈管構(gòu)成畫(huà)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(jìn)行。最后，本文將上述方法應(yīng)用于一般圖像進(jìn)行了實(shí)例測(cè)試，并做了簡(jiǎn)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(wú)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(diǎn)，都能讓使用者享受最佳的視覺(jué)環(huán)境。OLED顯示器采用非常薄的有機(jī)材料涂層和玻璃基板，當(dāng)電流通過(guò)時(shí)，有機(jī)材料就會(huì)發(fā)光。本文根據(jù)顯示器的特性，實(shí)現(xiàn)了一種面向節(jié)能的圖像亮度優(yōu)化方法，通過(guò)對(duì)圖像內(nèi)容的特征增強(qiáng)方法補(bǔ)償亮度降低后信息傳遞和圖像質(zhì)量的損失，從而實(shí)現(xiàn)一般圖像特別是地理信息圖像的節(jié)能顯示。通過(guò)鏈接的方式返回Google搜索結(jié)果，其主頁(yè)宣稱節(jié)約電能已達(dá)3800千瓦時(shí)。Harter等人則提出將屏幕區(qū)域進(jìn)行分塊，每個(gè)分塊區(qū)域內(nèi)使用一個(gè)背光光源，顯示器內(nèi)建一個(gè)分區(qū)功率管理模塊，通過(guò)對(duì)顯示內(nèi)容的分析實(shí)現(xiàn)分區(qū)域的背光功率調(diào)節(jié)，從而實(shí)現(xiàn)LCD顯示器的節(jié)能顯示[6]，不過(guò)這種方法需要對(duì)顯示的圖像內(nèi)容進(jìn)行顏色成分的分析，市場(chǎng)上具有這一技術(shù)的顯示器比較少。因?yàn)樵谝话愕挠脩襞c系統(tǒng)進(jìn)行界面交互的行為中，通常只對(duì)當(dāng)前的活動(dòng)窗口保持較高的注意力，而對(duì)其他非活動(dòng)窗口幾乎不關(guān)心，因此降低非活動(dòng)窗口的亮度不會(huì)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(duì)圖像進(jìn)行分析、加工和處理，使其滿足視覺(jué)、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(hào)，和一維信號(hào)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(dòng)快速的圖像增強(qiáng)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(shí)意義。本文主要采用客觀實(shí)驗(yàn)和用戶測(cè)試的方法實(shí)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(wèn)題，即如何在動(dòng)態(tài)范圍比較小的設(shè)備上顯示高動(dòng)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(wèn)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(jì)算，而ATA相當(dāng)于一個(gè)拉普拉斯算子，所以系數(shù)矩陣ATA不需要顯式地存儲(chǔ)下來(lái)，大大減小了算法對(duì)內(nèi)存的需求。邊界檢測(cè)是圖像分割、目標(biāo)區(qū)域識(shí)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(shí)別中提取圖像特征的一個(gè)重要內(nèi)容。然而，在實(shí)際圖像處理中，精確檢測(cè)邊界具有相當(dāng)?shù)碾y度。經(jīng)典的邊界檢測(cè)方法是考察圖像的每個(gè)像素的某個(gè)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(jiǎn)單的方法檢測(cè)邊界，這種方法稱為邊界檢測(cè)局部算子法。由于它只使用當(dāng)前像素的2*2鄰域，是最簡(jiǎn)單的梯度算子，所以計(jì)算非常簡(jiǎn)單。對(duì)于每一個(gè)方向的梯度，可以用模板對(duì)應(yīng)的9個(gè)像素與模板相應(yīng)的元素相乘相加得到，其計(jì)算過(guò)程與Roberts算子相似。Sobel算子通常用于水平和垂直邊界的一個(gè)簡(jiǎn)單檢測(cè)算子。Laplacian算子對(duì)噪聲比較敏感，所以圖像一般先經(jīng)過(guò)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(cè)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(cè)算子。將圖像的亮度降低的實(shí)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(jìn)行動(dòng)態(tài)的調(diào)整背光的亮度，從而實(shí)現(xiàn)動(dòng)態(tài)的顯示器功耗管理；另一種則是自動(dòng)或人為地降低顯示器的亮度，輸入的顯示內(nèi)容本身不進(jìn)行處理，比如在移動(dòng)電子設(shè)備上，目前幾乎所有的手機(jī)都支持環(huán)境光自動(dòng)感應(yīng)而進(jìn)行亮度調(diào)整。 方法技術(shù)細(xì)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(chǎng)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(guò)邊界距離場(chǎng)的某種變換描述并構(gòu)造圖像的特征場(chǎng)。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(guò)渡的連續(xù)性。因此，我們將特征重要性場(chǎng)M定義如下，其中sign為求符號(hào)函數(shù)，p’=Dxy(p)，是距離像素p的最近的邊界像素。同時(shí)，將原始圖像與經(jīng)過(guò)迭代雙邊濾波得到的圖像結(jié)果進(jìn)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(xì)節(jié)或噪聲干擾。圖 39展示了方法應(yīng)用于圖 37中實(shí)例圖像得到的節(jié)能顯示結(jié)果。本文目前實(shí)現(xiàn)的原型軟件窗口尺寸是固定的，為了方便用戶對(duì)大尺寸圖像進(jìn)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(guò)鼠標(biāo)對(duì)圖像進(jìn)行縮放與平移操作，并且用戶對(duì)一個(gè)子窗口圖像的交互操作都可以實(shí)時(shí)地反映到另一個(gè)子窗口的圖像中，以方便用戶對(duì)結(jié)果的對(duì)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(chǔ)格式（如BMP，JPG，PNG，GIF等）。在軟件實(shí)現(xiàn)中，我們遍歷圖像的每個(gè)像素，采用Qt工具包中的QRgb類來(lái)獲取圖像每個(gè)像素的紅、綠、藍(lán)三個(gè)顏色通道的值。int r = qRed(pixel)。float b = rgbblue/。amp。 //(maxValminVal 0)?hsbhue = (h360)? 360 : ((h0)?0:h)。越來(lái)越多的移動(dòng)設(shè)備的普及，對(duì)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(gè)圖像處理原型軟件，在實(shí)現(xiàn)圖像的基本操作的同時(shí)，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(duì)于OLED顯示器而言，由于我們的特征增強(qiáng)主要通過(guò)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(shí)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(chǎng)圖像變換過(guò)程中參數(shù)W對(duì)結(jié)果的影響。在實(shí)驗(yàn)測(cè)試中，我們使用1024 1024分辨率的輸入圖像時(shí)，算法的運(yùn)行時(shí)間大約都能在5毫秒以內(nèi)，也就是說(shuō)處理幀率能夠達(dá)到200fps。對(duì)用戶來(lái)說(shuō)，用戶研究使得產(chǎn)品更加貼近他們的真實(shí)需求。我們使用一般圖像和地圖應(yīng)用的圖像作為實(shí)驗(yàn)數(shù)據(jù)。在評(píng)價(jià)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(jìn)行處理。大部分測(cè)試對(duì)象都選擇了處理C最優(yōu)?；谔卣髦匾詧?chǎng)的自適應(yīng)亮度降低方法（即本文方法）由于增強(qiáng)了邊界區(qū)域的對(duì)比度，因此獲得了較好的用戶評(píng)價(jià)。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(huì)帶來(lái)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(gè)大屏幕拼接市場(chǎng)的半壁江山，液晶拼接產(chǎn)品更是受到了各個(gè)行業(yè)的青睞和認(rèn)可。而獲取眼球運(yùn)動(dòng)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(jī)上的攝像頭，其在軟件的支持下也可以實(shí)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(duì)本文方法的可擴(kuò)展性進(jìn)行實(shí)驗(yàn)論證，通過(guò)算法的改進(jìn)和優(yōu)化，進(jìn)一步提高大分辨率圖像的處理性能。在未來(lái)工作中，我們希望找到一種更加健壯的重要特征檢測(cè)算法。不過(guò)仍有5位測(cè)試對(duì)象認(rèn)為處理方法會(huì)降低原始圖像的精確性。圖8展示了測(cè)試對(duì)象對(duì)于可視搜索任務(wù)的平均完成時(shí)間和標(biāo)準(zhǔn)，可以看到第一次測(cè)試的完成時(shí)間均要多余第二次測(cè)試的完成時(shí)間，而方法C的測(cè)試完成時(shí)間顯著比其他方法更少。該任務(wù)使用主體間測(cè)試方法進(jìn)行，即所有測(cè)試對(duì)象將被分成3 組，且每個(gè)測(cè)試對(duì)象僅對(duì)同一個(gè)結(jié)果進(jìn)行兩次測(cè)試（記作R1和R2）。所有參與者都沒(méi)有