【正文】 色盲或色弱癥狀，且與我們的研究工作無關(guān)。用戶研究的價值在于，他不僅對方法評估有幫助，而且讓技術(shù)的使用者受益，是對兩者互利的。 性能統(tǒng)計一般而言，基于圖像像素的處理都可以并行執(zhí)行。注意到在圖中，由于特征重要性場導(dǎo)致的光暈效果使得玩家更容易理解場景中景物的深度關(guān)系，如城墻邊緣等處，同時也降低了顯示器的功率消耗。谷歌地圖API是一系列使用面向?qū)ο蠓绞浇M織的JavaScript類和靜態(tài)方法（我有時候也統(tǒng)稱為地圖API類庫），通過創(chuàng)建這些類的實例（對象）或調(diào)用 API 中提供的靜態(tài)方法，可以在頁面上創(chuàng)建和控制地圖，也可以在地圖上展示任何非谷歌提供的數(shù)據(jù)/信息。我們的方法通過對圖像根據(jù)其像素的特征重要性進(jìn)行亮度的優(yōu)化處理，因此可以使圖像在亮度降低以節(jié)約電能消耗的同時，盡可能多地表現(xiàn)圖像的重要特征信息（如邊界）。然后通過Sobel邊界檢測算子從圖像中獲取顯著邊界作為圖像主要特征，隨后構(gòu)造特征重要性場，用于指導(dǎo)圖像的特征增強，并實現(xiàn)自適應(yīng)亮度優(yōu)化以補償圖像亮度降低引起的特征弱化。圖 315展示了對圖像進(jìn)行自適應(yīng)亮度優(yōu)化以實現(xiàn)節(jié)能的操作界面。else if(l0)s = (maxValminVal)/(maxVal+minVal)。 g=b) h = *(gb)/(maxValminVal)。RGB模式轉(zhuǎn)化HSB模式的實現(xiàn)代碼如下：float r = rgbred/。 j height。 圖像通道操作則可以方便用戶通過選擇單一的顏色通道對圖像內(nèi)容進(jìn)行檢視。圖 312 圖像處理原型軟件的“自適應(yīng)亮度優(yōu)化”選項卡中的參數(shù)與命令 基本處理功能的實現(xiàn)圖像載入與保存是圖像處理的基礎(chǔ)操作。為了方便用戶對圖像處理的結(jié)果進(jìn)行預(yù)覽和比較，主界面的結(jié)果顯示區(qū)域分為“原始圖像”區(qū)域和“結(jié)果圖像”區(qū)域兩部分，分別顯示用戶載入的原始圖像和當(dāng)前處理所得到的結(jié)果圖像。本文所述方案被用于基于節(jié)能的圖像自適應(yīng)顏色亮度優(yōu)化時，主要通過提高邊界及其鄰域等特征區(qū)域的對比度的方式，確保圖像亮度降低時圖像特征的保持。根據(jù)前面對圖像的處理，我們已經(jīng)得到了圖像的特征重要性場的圖像，因此結(jié)合該數(shù)據(jù)可以指導(dǎo)一個自適應(yīng)的圖像亮度優(yōu)化。例如，由于像素明暗變化形成的一條邊界，在邊界一側(cè)為明亮區(qū)域而另一側(cè)為暗區(qū)域，那么將明亮區(qū)域定性為正值而暗區(qū)域定性為負(fù)值，則可以在后續(xù)的圖像處理操作中方便的進(jìn)行亮度優(yōu)化。在邊界像素及其W寬度之內(nèi)的區(qū)域，稱為特征區(qū)域。雖然梯度模描述了圖像中一個像素相對于周圍像素的亮度變化，但是直接用梯度模構(gòu)造特征場仍然會受到圖像噪聲的影響。然而，傳統(tǒng)的邊界檢測算法一般只能返回二值的結(jié)果，即指示當(dāng)前的像素是否屬于邊界。特征抽象是一個典型的圖像處理算法，通過抑制圖像中的非特征區(qū)域而保留特征細(xì)節(jié)的方式，使得圖像特征能更加方便的被捕捉。在圖像中，與顏色或亮度變化相關(guān)一些特征通常在人對圖像內(nèi)容的認(rèn)識和理解中起到非常重要的作用，這些特征在圖像處理領(lǐng)域一般被稱為邊界或邊緣，因此邊界檢測是圖像處理和計算機視覺中，尤其是特征提取中的一個重要研究內(nèi)容。針對節(jié)能顯示的需求和OLED顯示器的這一特點，本章提出的面向節(jié)能的圖像顏色和亮度優(yōu)化設(shè)計方法同樣適用。15浙江大學(xué)碩士學(xué)位論文 第3章 基于節(jié)能的圖像顏色優(yōu)化算法研究第3章 基于節(jié)能的圖像顏色優(yōu)化算法研究 方法研究目標(biāo)正如在緒論中提到的，傳統(tǒng)顯示器節(jié)能的硬件實現(xiàn)方法需要對顯示內(nèi)容的圖像處理進(jìn)行配合，通過獲取圖像內(nèi)容的亮度分布進(jìn)行分析，而最直接的方法就是線性地均勻降低圖像的整體亮度，這樣就能獲得直接的節(jié)能效果。不過Laplacian算子對邊界的定位還是比較準(zhǔn)的。Roberts算子對邊界定位比較準(zhǔn)，所以分割結(jié)果的邊界寬度比Prewitt分割的窄。Laplacian算子對于邊界是敏感的。Sobel算子和Prewitt算子都是加權(quán)平均，但是Sobel算子認(rèn)為，鄰域的像素對當(dāng)前像素產(chǎn)生的影響不是等價的，而在Prewitt算子中像素鄰域?qū)Ξ?dāng)前像素產(chǎn)生的影響是等價的。對于每個算子我們只給出前面三個3*3掩模，其他的可以通過簡單旋轉(zhuǎn)得到。構(gòu)造這些算子的基本思想是統(tǒng)一的，它們的區(qū)別主要是模板的大小和元素值的不同。1）邊界檢測算法主要是基于圖像強度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)的計算對噪聲敏感，因此必須使用濾波器來改善與噪聲有關(guān)的邊界檢測器的性能；2）增強邊界的基礎(chǔ)是確定圖像各點鄰域強度的變化值，增強算法可以將鄰域強度值有顯著變化的點突出顯示出來，邊界增強一般是通過計算梯度模來完成的；3）在圖像中有許多點的梯度模比較大，而這些點在特定的應(yīng)用領(lǐng)域中并不是邊界，所有應(yīng)該用某種方法確定哪些點是邊界，其中最簡單的邊界檢測判斷是梯度模閥值判斷；4）如果某一應(yīng)用場合要求確定邊界位置，則邊界的位置在子像素分辨率上來估計，邊界的方位也可以被估計出來。即使很簡單的景物中也包含著大量的細(xì)節(jié)，在圖像中表現(xiàn)為強度的非連續(xù)性。 (a) 原始圖像 (b) 亮度降低之后的結(jié)果圖 21 圖像亮度調(diào)節(jié)實例 圖像邊界檢測邊界檢測是圖像處理領(lǐng)域的重要內(nèi)容之一，是進(jìn)行模式識別和圖像信息提取的基本手段[28]。由于上述線性方程組中方程數(shù)較多，通常達(dá)到幾百萬，相應(yīng)地系數(shù)矩陣ATA中元素的個數(shù)會達(dá)到萬億的數(shù)量級，要對這樣的矩陣求逆是非常困難的，所以一般采用用迭代法求解。例如本質(zhì)圖的恢復(fù)，陰影的去除，閃光照片瑕疵的去除，圖像的色調(diào)遷移，alpha matting等。最近幾年，梯度域上的處理方法變得非常流行。第2章 研究中需要的工具綜述本章對論文研究所需要的理論工具作一個綜述，包括圖像亮度優(yōu)化、圖像邊界檢測等核心圖像處理算法[35]。本文主要面向OLED顯示器，對圖像的基于節(jié)能的自適應(yīng)亮度優(yōu)化進(jìn)行了相關(guān)研究，提出并實現(xiàn)圖像的自適應(yīng)亮度優(yōu)化算法。早期的一些亮度調(diào)整的算法過于簡單，自動調(diào)整的效果并不是很理想，稍后也出現(xiàn)了一些較為復(fù)雜的算法，但其計算的復(fù)雜度相對較高，且需要一定的用戶交互，使用不夠方便。常見的處理有圖像數(shù)字化、圖像編碼、圖像增強、圖像復(fù)原、圖像分割和圖像分析等。此外，線性地降低顯示器亮度仍然被認(rèn)為是一種節(jié)能顯示的重要策略，然而這樣可能會造成圖像顯示質(zhì)量的下降，使得用戶不容易分辨圖像的重要內(nèi)容，因此也需要從圖像基礎(chǔ)上解決這一問題。一個經(jīng)過實際測量的、其中不同的色調(diào)（紅色、綠色、藍(lán)色）的功率消耗不同[8]。由于發(fā)光二極管提供了更加均勻的白色光源，亮度輸出效率也比較高，因此使顯示器獲得更好的對比度和更均勻的亮度，在獲得相同顯示效果的前提下降低了顯示器的功率。舉個例子，著名的搜索引擎的主頁面一般都非常簡單，比如Google的頁面是純白色背景上的一個搜索框和少量鏈接。目前市場對顯示屏節(jié)能技術(shù)需求較大，OLED顯示屏的進(jìn)一步節(jié)能成為了行業(yè)追逐的支撐點。最近幾年，一種新的基于有機發(fā)光二極管（organic lightingemitting diode, OLED）的顯示器（以下簡稱OLED顯示器，）則通過像素中的顏色單元自發(fā)光的形式顯示顏色，因此就避免了使用背光光源[3]。液晶顯示器（LCD）作為科技含量高的技術(shù)，正朝著輕、薄、短、小的目標(biāo)發(fā)展。該方法在應(yīng)用于圖像亮度降低時，可以在保持特征分辨能力的同時獲得節(jié)能顯示的效果。該方法首先用雙邊濾波對圖像進(jìn)行去噪，然后通過Sobel邊界檢測算子從圖像中獲取顯著邊界作為圖像主要特征，隨后構(gòu)造特征重要性場，用于指導(dǎo)圖像的特征增強，并實現(xiàn)自適應(yīng)亮度優(yōu)化。電流通過該液體時會使水晶重新排列，造成光線透過率的變化。一般來說，通過合理地降低背光光源的亮度可以實現(xiàn)LCD顯示器的節(jié)能顯示。圖 11 OLED顯示屏OLED 顯示屏的節(jié)能概念悄然掀起，成為它最為吸引消費者眼球的亮點，也是近年來火爆增長的原因?？紤]到顯示器占用了整個系統(tǒng)較高的耗電比例，因此顯示器的節(jié)能問題十分重要。隨著技術(shù)進(jìn)步，背光光源可以通過發(fā)光二極管產(chǎn)生。也就是說，除了一個基礎(chǔ)功率E0，OLED顯示器的功率是所有像素獨立功率的和。Moshnyaga等人則使用視頻攝像頭實現(xiàn)了類似的方法[1]。數(shù)字圖像是指用數(shù)字?jǐn)z像機、掃描儀等設(shè)備經(jīng)過采樣和數(shù)字化得到的一個大的二維數(shù)組，該數(shù)組的元素稱為像素，其值為一整數(shù)，稱為灰度值。由于各種各樣的原因，人們經(jīng)常會拍攝到一些曝光不足、效果不好的照片，因此需要有一種方法，可以提高照片的質(zhì)量以滿足人們的需求。 本章小結(jié)綜上所述，目前在圖像的節(jié)能顯示處理方面，存在一些尚未解決的顏色設(shè)計與亮度優(yōu)化問題。最后，本文第5章進(jìn)行了總結(jié)與展望。Reinhard等人[18]根據(jù)攝影中的“dodge and burning”技術(shù)在02年Siggraph上提出了一種類似的色調(diào)映射方法。除了圖像和視頻的合成，梯度域處理方法還有很廣泛的應(yīng)用。通常的方法是求一個近似解，使得(Axb)的絕對值最小化，該近似解滿足下面的方程：由于ATA是稀疏的帶狀方陣，每行最多5個非零元素，可以證明這樣的線性方程組是可以求解的。圖 21展示了亮度調(diào)節(jié)對圖像質(zhì)量的影響，直接降低圖像的亮度會潛在地造成圖像中信息的損失，如圖 21(b)所示。邊界廣泛地存在于物體與背景之間、物體與物體之間、基元與基元之間，它的存在是灰度不連續(xù)造成的。 邊界檢測的基本步驟邊界檢測的基本步驟包括濾波、增強、檢測和定位。圖像處理發(fā)展到今天人們已經(jīng)提出了很多算子，其中一階導(dǎo)數(shù)算子Roberts[29]、Prewitt[30]、Sobel[31]和二階導(dǎo)數(shù)算子Laplacian[32]等4種是最為常用的圖像邊界檢測算子。近似圖像函數(shù)一階導(dǎo)數(shù)的算子由于具有確定梯度方向的能力，有時被稱作羅盤算子。Sobel算子的模板也是3*3的，只是它的模板元素與Prewitt算子有所不同。Laplacian算子是近似地只給出梯度模的二階導(dǎo)數(shù)的流行方法，通常使用3*3的掩模，根據(jù)鄰域不同可以分為4鄰域和8鄰域。Roberts算子（x, y方向） Prewitt算子（x, y方向）Laplacian算子 Sobel算子（x, y方向）圖 22不同邊緣檢測算子的離散形式（圖像卷積算子） 邊界檢測算法比較從加法的角度來看，Roberts算子的運算速度較快，從乘法的角度看Laplacian算子的運算速度較快。由于Laplacian算子利用的是二階導(dǎo)數(shù)信息，對噪聲比較敏感，所以分割結(jié)果中在一些像素上出現(xiàn)了散碎的邊界像素點。綜合考慮各種邊界檢測算子的特點，本文采用Sobel邊界檢測算子獲得圖像的重要邊界特征及特征區(qū)域。最新的OLED顯示器由于每個像素都可以獨立的顯示顏色，因此對顯示內(nèi)容即圖像的顏色和亮度修改就能直接獲得不同的顯示功率。一般而言，圖像的主要特征可以用圖像中的抽象邊界等特征進(jìn)行描述，圖像中具有較高顏色、亮度或?qū)Ρ榷茸兓膮^(qū)域都是用戶認(rèn)識圖像的重要區(qū)域。然而在實際圖像處理中，非特征細(xì)節(jié)與噪聲的存在會干擾算法對圖像邊界的檢測和提取，因此本文首先對圖像進(jìn)行基于雙邊濾波的特征抽象處理。(a) 輸入圖像(b) 2次雙邊濾波算子迭代后的輸出圖像圖 32 雙邊濾波效果 特征檢測及特征重要性場構(gòu)造對于一個圖像，用戶通常根據(jù)圖像的特征邊界信息對圖像的內(nèi)容進(jìn)行理解和認(rèn)識。為了后續(xù)的特征場構(gòu)造，邊界場圖像E的每個元素被構(gòu)造為一個三元組(Ix, Iy, b)，分別記錄了圖像的每個像素的梯度(Ix, Iy)和邊界像素指示值b，其中b是根據(jù)給定閾值參數(shù)和梯度模的比較確定該像素是否為邊界像素。圖 33 本小節(jié)使用的示例輸入圖像圖 34 PBA算法得到示例圖像的邊界圖像的距離場，像素亮度表示距離邊界像素的歐式距離最后，我們對邊界距離場D進(jìn)行如下數(shù)學(xué)變換，獲得圖像的特征場S:其中Dd(p)表示像素p在距離場圖像D中的離最近邊界像素的距離值，W為一個寬度參數(shù)，表示該數(shù)學(xué)變換相對于邊界像素的作用范圍，用于控制特征區(qū)域的大小（如圖 35）。簡單而言，特征重要性場被定義為一個有向的特征場，以區(qū)別對待邊界兩側(cè)的區(qū)域。 (a) 原始輸入圖像 (b) 邊緣檢測結(jié)果 (c) PBA算法得到的距離場 (d) 特征重要性場圖 37 一個實際圖像的特征場構(gòu)建過程 基于特征重要性場的圖像優(yōu)化線性降低圖像的亮度可以獲得節(jié)能的顯示效果，但同時也使得圖像內(nèi)容的可讀性和圖像質(zhì)量下降，造成用戶識別和理解的困難。注意到當(dāng)θ時，該方案即為線性亮度調(diào)整方案，即所謂的均勻亮度調(diào)整；當(dāng)λ=1，且θ≠0時，該方案可以獲得一個類似于Unsharp Masking[34]處理的效果。該主界面主要由結(jié)果顯示區(qū)域和參數(shù)控制區(qū)域兩部分組成?！白赃m應(yīng)亮度優(yōu)化”選項卡給用戶提供了針對本文第2章提出的算法的主要參數(shù)調(diào)節(jié)的功能以及控制命令（如圖 312所示）。 //根據(jù)圖像名載入圖像//使用QPixmap對象在顯示窗口displayPanel中顯示圖像dispalyPanelsetPixmap(QPixmap::fromImage(*img))。 i++) for (int j = 0。首先通過QRgb獲取圖像上每個像素的紅、綠、藍(lán)三個通道的值，然后將圖像顏色的RGB模式轉(zhuǎn)化成HSB模式，對HSB模式中的亮度（Brightness）進(jìn)行調(diào)整與設(shè)置，從而改變原像素值。amp。// Saturationif(l == 0 || maxVal == minVal) s = 0。圖像自適應(yīng)亮度優(yōu)化過程中產(chǎn)生了多個中間結(jié)果（參考圖 31），為了便于用戶對中間結(jié)果進(jìn)行分析，在交互界面的“自適應(yīng)亮度優(yōu)化”選項卡（圖 312）中，用戶可以使用單選按鈕選擇在右上“結(jié)果圖像”區(qū)域內(nèi)顯示的圖像內(nèi)容。在將圖像的亮度降低的同時，該方法首先用雙邊濾波對顏色緩存圖像進(jìn)行去噪，抑制一些分散用戶注意力的非特征細(xì)節(jié)，而保留圖像的主要特征。我們實驗所用的數(shù)據(jù)包括一般圖像和地理信息圖像等。在這個例子中，我們利用Google Map API1抓取到圖 42所示的地圖數(shù)據(jù)。為實現(xiàn)快速建模，我們使用一個開源的三維游戲引擎Irrlicht（中文名