【正文】 tnessl = (maxVal+minVal)/。 else if(maxVal==r amp。這里主要實現(xiàn)了傳統(tǒng)的圖像亮度和對比度調節(jié)方法。 i width。 //創(chuàng)建一個QImage對象以載入圖像imageload(“ImageFileName”)?！巴ǖ馈边x項卡提供用戶選擇查看彩色圖像的紅、綠、藍等單一顏色通道的功能，也是圖像處理中的基本操作之一。原型系統(tǒng)圖像載入與保存圖像通道選擇亮度對比度調節(jié)自適應亮度優(yōu)化能耗評估圖 310原型軟件的功能模塊圖 主界面和交互設計本章描述的圖像處理原型軟件的主界面如圖 311所示。用戶在進行參數(shù)調整的時候首先調整全局亮度參數(shù)，然后調整特征區(qū)域的局部亮度參數(shù)。首先對輸入圖像進行雙邊濾波后，執(zhí)行邊緣檢測，然后采用PBA生成距離場，進而構建出輸入圖像的特征重要性描述場。然而用戶在圖像理解過程中，對于處于邊界特征兩側的圖像內容會區(qū)別對待，本文采用特征重要性場描述這一行為。其中示例圖像的邊界距離場圖像如圖 34所示，亮度越低表示離邊界像素距離越近。首先，我們采用Sobel邊界檢測算子[14]對雙邊濾波處理后的圖像I’進行處理，獲得圖像的邊界場圖像，記作E=Sobel(I’)。運用雙邊濾波之后，圖像會呈現(xiàn)出一種保留重要結構信息的繪畫卡通的風格，如圖 32所示?；诹愦┰降姆椒ㄍㄟ^尋找圖像二階導數(shù)零穿越來尋找邊界，通常是Laplacian過零點或者非線性差分表示的過零點。圖 31 圖像自適應亮度優(yōu)化算法的流程圖（字母表示本章中所用符號） 基于雙邊濾波的圖像降噪處理通常，用戶通過對圖像的認識主要基于對圖像主要特征的感知與理解。本章主要提出了一種通過分析圖像的重要特征，自適應的進行圖像亮度優(yōu)化的方法。Laplacian邊界檢測的效果較為適中，但其采用二階導數(shù)形式，因此極易受到噪聲的影響。與Prewitt相似，Sobel算子也是通過像素平均來實現(xiàn)的，也有一定的抗噪能力，同時圖像也產(chǎn)生了一定的模糊。在實際實現(xiàn)中，圖像的每個像素與這些卷積核逐個進行卷積，生成圖像邊界檢測的結果圖像。Laplacian算子就利用了二階導數(shù)信息。Sobel算子不像普通梯度算子那樣用兩個像素的差值，這就使Sobel算子具備了兩個優(yōu)點：首先，由于引入了平均因素，因而對圖像中的隨機噪聲有一定的平滑作用；其次，由于它是相隔兩行或兩列之差分，故邊界兩側元素得到了增強，邊界顯得粗而亮。對于3*3的卷積掩模，在8個可能方向估計梯度，具有最大梯度模的卷積給出梯度方向。通常是對二維圖像的x方向y方向分別用不同的模板，這兩個模板組合起來可以構成一個梯度算子。還有一些邊界是模糊的，其對應的灰度變化是大量的像素值緩慢改變引起的，這些不同類型的灰度變化在圖像中是不可分的。所謂邊界是指其周圍像素灰度有階躍變化或屋頂變化的那些像素的集合。但是該方法有一定的局限性，只能處理部分的梯度域問題，如泊松圖像合成或Panorama等具有較好的初始解僅需在邊界上進行優(yōu)化的問題。梯度域問題一般最后可以抽象為一個過約束問題（如泊松方程），假設X是n維向量，那么就有n個未知量(每個像素對應一個變量)，由于每個像素上有垂直和水平梯度的雙重約束，分別對應兩個線性方程，那么一共有2n個線性方程，可以表示為：A是2n*n維矩陣，很顯然這是一個過約束問題，一般情況下，不存在滿足上式的解。Agarwala等人[25]先后將梯度域處理應用到了圖像和視頻的合成(Panorama)中去。Dargo等人[19]在03年歐洲圖形學年會上提出了自適應的log映射方法，作為全局映射算子，可以方便有效地進行色調映射。 內容安排本文的主要內容安排如下：第2章綜述了本文研究中用到的圖像處理相關的工具；第3章詳細描述了基于節(jié)能的圖像亮度自適應優(yōu)化方法，并描述了一個配合方法使用驗證的圖像處理軟件原型的交互界面和技術實現(xiàn)；第4章介紹了本文的方法在一般圖像上進行的實驗并展示了實驗結果和用戶研究。Fattal等人[19]在處理高動態(tài)范圍圖像時基于交互指定區(qū)域的亮度理想值構造調整后圖像的梯度約束[18]，使得結果圖像的梯度與給定約束盡可能一致，從而求得圖像亮度. Perez等人[26]借助梯度域的處理方法，可以無縫地將一幅圖像中的區(qū)域組合到另一幅圖像中。近年來，隨著科技的發(fā)展和人們生活水平的提高，數(shù)碼產(chǎn)品尤其是數(shù)碼相機得到了廣泛應用。圖像處理是信號處理的子類，圖像處理一般指數(shù)字圖像處理[23,24]。比如，Dalton等人提出了一種利用底層的人臉跟蹤的方法，當用戶離開顯示器時自動降低其亮度或直接關閉顯示器[7]。Dong等人在文獻[8]中給出了OLED顯示器的一般功率消耗模型如下：其中，函數(shù)f(x)，g(x)和h(x)分別表示單個像素中，紅、綠、藍發(fā)光單元在亮度為x時候的功率值，E0表示顯示器的基礎功率，而L則表示顯示內容圖像的像素總量。對于這類LCD顯示器，由于背光光源的電能消耗在整個顯示器系統(tǒng)中占絕對的優(yōu)勢，因此也就決定了其功率消耗相對恒定，主要與背光光源的電流呈正比的關系。如果一臺電腦擁有省電功能，每小時待機耗電約35W，約比一個一般亮度的燈泡稍高，盡管這一浪費對個人影響不大，但若全球所有的電腦長時間待機，每小時浪費的電量就非常驚人[40]。另外，OLED顯示屏幕可以做得非常輕薄，甚至可以彎曲。TFTLCD顯示器的主要電能消耗用于維持背光光源的亮度，因此整體的功率消耗也主要由背光的亮度及其制造工藝決定。LCD顯示使用了兩片極化材料，在它們之間是液體水晶溶液。在對顯示器節(jié)能和圖像處理相關方法進行了綜述的基礎上，本文從軟件處理角度出發(fā)，圍繞圖像的節(jié)能顯示優(yōu)化設計的問題展開了研究，并提出了一種基于節(jié)能的圖像自適應亮度優(yōu)化方法。繼而，本文描述了一個實現(xiàn)上述圖像處理方法的軟件原型，并提供基本的圖像處理操作，方便用戶對方法的參數(shù)調節(jié)進行預覽，并對處理結果進行分析比較。在便于攜帶與運輸?shù)那疤嵯?，傳統(tǒng)的顯示方式如CRT顯像管顯示器及LED顯示板等，皆受制于體積過大或耗電量過大等因素，無法適應使用者的實際需求的提高。當屏幕面板不顯示任何內容時，像素不會被通電，因而不消耗電能。通過降低圖像亮度或者調節(jié)優(yōu)化圖像顏色成分的手段都可以降低顯示器的功率消耗。在一個OLED顯示器上長時間顯示時，其幾乎需要最大的功率消耗，一個暗色或黑色背景的頁面則可以有效地節(jié)約電能消耗。針對TFTLCD 的一般節(jié)能措施通常是通過材料、制造等技術的提高增加像素的透光率，從而可以降低顯示器的背光光源而降低顯示功率[4,5]。圖 12 OLED顯示器對于紅、綠、藍純色的功率消耗曲線OLED顯示器的這個特性，使得針對其的節(jié)能顯示方案的研究更加具有挑戰(zhàn)和靈活性，因此Iyer等人直接通過降低用戶交互界面中非活動窗口的亮度的方式，實現(xiàn)針對OLED顯示器的節(jié)能顯示 [9]。在這一領域一些學者提出了不少方法，比如通過增強自然圖像的對比度的方法使得顯示器亮度降低時圖像質量的損失更少[11]。傳統(tǒng)的一維信號處理的方法和概念很多仍然可以直接應用在圖像處理上，比如降噪、量化等。圖像亮度調整算法經(jīng)歷了一個從簡單到復雜、從整體到局部的過程?；诠?jié)能的自適應亮度優(yōu)化以圖像作為輸入，實時生成亮度優(yōu)化的圖像結果，該方法對一般圖像在OLED顯示器顯示具有節(jié)能效果，此外該方法對于普通圖像或地圖在取得節(jié)能顯示效果的同時，具有一定的感知特征增強效果。 圖像亮度優(yōu)化圖像的亮度調整，如欠曝光圖像調整和高清晰圖像(HDR)的處理有很大的相似之處，如果我們將HDR圖像線性變化為普通低動態(tài)范圍圖像，得到的結果跟欠曝光的圖像非常相似[36]。該方法并不是直接對像素的亮度值進行操作，而是間接地在梯度域上進行控制和約束。梯度域問題是在灰度圖像上進行處理的，將每個像素的亮度值看作一個未知變量，整個圖像就可以看作一個未知向量x。通常用的方法是共軛梯度法。一方面，圖像的邊界往往對應于生成圖像的物理世界中對象的重要特征，也是圖像分割所依賴的重要特征；另一方面，邊界檢測使圖像處理的數(shù)據(jù)量大大減少，有利于后續(xù)的特征提取和模式識別，因此對邊界檢測算法的研究得到了廣泛的關注。由于邊界檢測的重要性, 人們提出了許多適用于不同場合的邊界檢測算法[39]。 邊界檢測算法物體的邊界是由灰度的不連續(xù)性所反映的。l Roberts算子Roberts算子是最古老的算子之一，是一種交差差分算子。Prewitt算子進行計算時要用到9個像素。Sobel算子根據(jù)鄰域像素與當前像素的距離有不同的權值，一般是距離越小，權值越大。一般增強技術對于陡峭的邊界和緩慢變化的邊界很難確定其邊界線的位置，此算子可以用二次微分正峰和負峰之間的過零點來確定。但是Roberts算子由于不包括平滑，對噪聲比較敏感，在圖像噪聲較少的情況下，分割的結果還是相當不錯的。 (a) 原圖 (b) Roberts算子檢測結果 (c) Prewitt 算子檢測結果 (d) Sobel算子檢測結果(e) Laplacian算子檢測結果圖 23不同邊緣檢測算子結果對比在圖像處理中，邊界檢測有著非常重要的作用，是圖像處理的重要基礎。更復雜的顏色映射和顏色優(yōu)化的方法則可以用于OLED 顯示器的節(jié)能顯示，不過亮度降低方法仍然是目前最有效、最實用的節(jié)能策略，同樣適用于OLED顯示器進行節(jié)能展示。與傳統(tǒng)的圖像增強方法不同，本方法確保在圖像亮度被降低以節(jié)能顯示的同時，保持圖像內容的重要特征以便于用戶的理解。邊界檢測是圖像處理和計算機視覺中的基本問題，邊界檢測的目的是標識數(shù)字圖像中亮度變化明顯的像素。受一些圖像特征抽象工作[12]的啟發(fā)，我們采用了雙邊濾波的方法對圖像進行抽象。從數(shù)據(jù)分析的角度，這樣的結果雖然能夠定位重要的邊界信息，卻丟失了所返回邊界所在圖像區(qū)域的其他像素的特征性重要程度描述。在本文對于圖像自適應亮度優(yōu)化的方案中，為了降低圖像噪聲的影響，我們僅考慮圖像的主要特征（邊界）及其特征區(qū)域（邊界附近的像素）。S(p)表示像素p的特征性值，其值域為[0,1]，描述了該像素的特征表示能力，例如S(p)=1表示該像素是邊界像素，在用戶對圖像的理解上具有最重要的作用，而S(p)=0表示該像素位于無變化的區(qū)域內。我們在圖像的邊界場E中保存了圖像的梯度場Exy，在圖像的距離場中保存了圖像像素的最近邊界像素Dxy。本文的方案是在全局降低圖像亮度的基礎上，通過將邊界兩側的像素根據(jù)特征重要性場進行自適應的亮度調整。圖 38顯示了方法用于簡單示例圖像得到的結果圖像。同時為了進一步方便用戶進行比較，右上角“切換比較”按鈕實現(xiàn)了在“結果圖像”區(qū)域依次切換原始圖像和結果圖像的功能，將幫助用戶對圖像進行像素級別的比較。本章描述的圖像處理軟件的交互界面通過Qt工具包實現(xiàn)，Qt工具包提供了硬件無關的簡單高效的圖像類庫QImage，實現(xiàn)了圖像處理的部分基本操作，包括圖像縮放、旋轉、像素顏色替換等。在第2章中提到，雙邊濾波算子在作用于彩色圖像時將分別在紅、綠、藍三個顏色通道進行，因此允許對圖像的單一通道的觀察將方便用戶對雙邊濾波算子執(zhí)行結果進行分析。 j++) {Qrgb pixel = imagepixel(i,j)。 //獲取r、g、b的值float g = rgbgreen/。else if(maxVal==r amp。else if(l) s = (maxValminVal)/(2 (maxVal+minVal))。圖 315 圖像自適應亮度優(yōu)化操作界面 本章小結隨著計算性能的提升和計算部件制造工藝的進步，顯示器功率消耗正逐漸成為整體系統(tǒng)的主要功耗來源。本章描述的方法使得處理后的圖像結果在達到節(jié)能顯示的目標的同時，比均勻亮度降低方法更容易被人接受。對于具有動態(tài)功率管理的顯示器，因為它通過分區(qū)域實現(xiàn)不同的背光亮度獲得節(jié)能顯示效果，因此我們的方法并不能夠比均勻線性亮度降低方法具有更多的節(jié)能效率。Google Maps API是Google自己推出的編程API，可以讓對 Google Maps 有興趣的程序設計師自行開發(fā)基于Google Maps的服務，建立自己的地圖網(wǎng)站。(a) 一個三維游戲場景的截圖(b) 均勻亮度降低的結果(c) 應用本文方法的結果圖 43 在游戲場景中使用深度圖進行自適應亮度優(yōu)化的結果對比 (a) W=5 (b) W=12 (c) λ= (d) λ= (e) θ= (f) θ=圖 44 不同參數(shù)配置對結果的影響圖 44展示了在不同參數(shù)配置下對處理結果的影響。在實現(xiàn)第2章提出的自適應亮度優(yōu)化方法的時候，我們將整個流程能夠并行實現(xiàn)的部分采用CUDA進行加速，使得我們的方法能夠實時的運行。對技術開發(fā)人員來說，用戶研究可以節(jié)約寶貴的時間、開發(fā)成本和資源，創(chuàng)造更好更成功的產(chǎn)品。用戶研究的實驗在一臺個人電腦上進行，配有兩臺22英寸分辨率為1680 1080 的Dell顯示器，其中一臺用于展示測試圖像，另一臺用于填寫調研答卷。測試程序記錄識別時間和測試結果。圖 45 可視搜索任務的平均完成時間和標準差在評價打分中，我們要求在對兩種結果進行測試后，對三種處理方法進行優(yōu)選排序。從用戶研究中可以發(fā)現(xiàn)，圖像中重要特征仍然是用戶理解圖像的主要信息來源，這些重要特征的增強能夠提高用戶在圖像亮度降低時對其內容的分析與理解。43浙江大學碩士學位論文 第5章 總結與展望第5章 總結與展望 本文工作總結OLED顯示器技術的出現(xiàn)為節(jié)能導向的顏色設計帶來了新的研究方向和內容，本文主要面向OLED節(jié)能顯示針對圖像自適應亮度優(yōu)化展開研究，并提出了相應的圖像自適應亮度優(yōu)化算法，通過實現(xiàn)圖像處理原型軟件完成了算法的實驗驗證和用戶研究。液晶拼接產(chǎn)品（如圖 51）自09年入世至今已有三年的時間了，在這幾年的時間當中液晶拼接市場每年都保持著迅猛的增長。對于這方面的顯示屏節(jié)能研究具有