【文章內容簡介】 波器來改善與噪聲有關的邊界檢測器的性能；2）增強邊界的基礎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用領域中并不是邊界，所有應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。 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。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灰度的變化，利用邊界鄰近一階或二階導數(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。兩個具有不同灰度值的相鄰區(qū)域之間總存在邊界，邊界是灰度值不連續(xù)的表現(xiàn)，其是原圖像上灰度變化最劇烈的地方。傳統(tǒng)的邊界檢測正是利用了這一點，對圖像的各個像素進行一階微分或二階微分確定邊界像素點。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。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。圖像處理發(fā)展到今天人們已經(jīng)提出了很多算子，其中一階導數(shù)算子Roberts[29]、Prewitt[30]、Sobel[31]和二階導數(shù)算子Laplacian[32]等4種是最為常用的圖像邊界檢測算子。構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。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。由于它只使用當前像素的2*2鄰域，是最簡單的梯度算子，所以計算非常簡單。Roberts算子計算時利用的像素數(shù)一共有4個，可以用模板對應4個像素與模板相應的元素相乘相加得到。Roberts算子邊界定位準，然而主要缺點是其對噪聲的高度敏感性，原因在于僅使用了很少幾個像素來近似梯度，適用于邊界明顯而且噪聲較少的圖像分割。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。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。近似圖像函數(shù)一階導數(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。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得到。Prewitt算子進行計算時要用到9個像素。對于每一個方向的梯度，可以用模板對應的9個像素與模板相應的元素相乘相加得到，其計算過程與Roberts算子相似。Prewitt算子對噪聲有抑制作用，抑制噪聲的原理是通過像素平均。但是像素平均相當于對圖像的低通濾波，所以Prewitt算子對邊界的定位不如Roberts算子。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。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。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。Sobel算子和Prewitt算子都是加權平均，但是Sobel算子認為，鄰域的像素對當前像素產生的影響不是等價的，而在Prewitt算子中像素鄰域對當前像素產生的影響是等價的。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。Sobel算子通常用于水平和垂直邊界的一個簡單檢測算子。l Laplacian算子為了突出增強圖像中的孤立點、孤立線或孤立端點，在某些實際用途中常采用Laplacian算子，這個算子是旋轉不變算子。之前的這些算子都是一階導數(shù)算子，在圖像處理中經(jīng)常使用的還有二階導數(shù)算子，例如Laplacian算子就是二階微分算子?？梢哉J為二階導數(shù)是一階導數(shù)的導數(shù)，也就是差分的差分。Laplacian算子就利用了二階導數(shù)信息。Laplacian算子是近似地只給出梯度模的二階導數(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。Laplacian算子對于邊界是敏感的。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。Laplacian算子對噪聲比較敏感，所以圖像一般先經(jīng)過平滑處理。因為平滑處理也是用模板進行的，所以，通常的分割算法都是把Laplacian算子和平滑算子結合起來生成一個新的模板。Laplace算子有一個缺點是它對圖像中的某些邊界產生雙重響應。下圖展示了四個算子的離散形式。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。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。Roberts算子對邊界定位比較準，所以分割結果的邊界寬度比Prewitt分割的窄。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。Prewitt算子有一定的抗噪能力。但是這種抗噪能力是通過像素平均來實現(xiàn)的，相當于低通濾波，所以圖像有一定模糊。Sobel算子對噪聲有抑制作用，因此不會出現(xiàn)很多孤立的邊界像素點。不過Sobel算子對邊界的定位不是很準確，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確性要求很高的應用。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，同時圖像也產生了一定的模糊。由于Laplacian算子利用的是二階導數(shù)信息，對噪聲比較敏感，所以分割結果中在一些像素上出現(xiàn)了散碎的邊界像素點。不過Laplacian算子對邊界的定位還是比較準的。 (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。本節(jié)中討論和比較了幾種常用的邊界檢測算子，一階導數(shù)算子Roberts、Prewitt、Sobel和二階導數(shù)算子Laplacian等4種常用的圖像邊界檢測算子。Prewitt算子和Sobel算子都是一階的微分算子，而前者是平均濾波，后者是加權平均濾波且檢測的圖像邊界可能大于2個像素，這兩者對灰度漸變低噪聲的圖像有較好的檢測效果，但對于混合多復雜噪聲的圖像，處理效果則不理想。如圖 23所示，Roberts邊界檢測的圖像紋理較清楚,但整個圖像過于模糊。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。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。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。15浙江大學碩士學位論文 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)方法需要對顯示內容的圖像處理進行配合，通過獲取圖像內容的亮度分布進行分析，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。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。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容的亮度后，然后設備根據(jù)顯示內容進行動態(tài)的調整背光的亮度，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，輸入的顯示內容本身不進行處理，比如在移動電子設備上，目前幾乎所有的手機都支持環(huán)境光自動感應而進行亮度調整。前者節(jié)能技術一般依賴于顯示圖像的內容像素的強度，當顯示圖像整體亮度比較均勻且具有較高的亮度時，此類方法所獲得的節(jié)能效率是非常有限的。因此，通過算法調整輸入的圖像的亮度，可以獲得額外的能量節(jié)約。但是，簡單地線性降低顯示圖像內容的亮度，可能會造成圖像質量的下降，使得用戶不容易分辨圖像重要內容，因此也需要從圖像基礎上解決這一問題。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。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。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)化設計方法同樣適用。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。 方法技術細節(jié)傳統(tǒng)LCD顯示器節(jié)能顯示的方法中，降低顯示內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。本文從圖像處理角度出發(fā)，為避免圖像的亮度降低后信息表達和顯示質量的損失，通過邊界特征檢測的方法獲得圖像內容的重要特征，然后通過構建圖像的特征重要性場的方式，指導圖像的自適應亮度與顏色的優(yōu)化，最終生成適合OLED顯示器節(jié)能顯示的優(yōu)化圖像。本文采用的整體設計方案如下：首先，使用雙邊濾波對圖像進行邊界特征保持的降噪處理，以消除一些無用的非特征細節(jié)和干擾噪聲；繼而，使用Sobel算子對降噪后圖像進行邊界檢測，并計算邊界的距離場，然后通過合適的變換獲得圖像的特征重要性場，描述每個像素在用戶理解圖像時的重要性；最后，根據(jù)特征重要性場指導圖像進行自適應的亮度降低優(yōu)化，得到適合OLED顯示器節(jié)能顯示的優(yōu)化圖像結果。本文實現(xiàn)的圖像自適應亮度優(yōu)化算法設計流程如（圖 31）所示，在下述內容中我們具體介紹各個環(huán)節(jié)。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。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行描述，圖像中具有較高顏色、亮度或對比度變化的區(qū)域都是用戶認識圖像的重要區(qū)域。在圖像中，與顏色或亮度變化相關一些特征通常在人對圖像內容的認識和理解中起到非常重要的作用，這些特征在圖像處理領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容。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。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）物質屬性變化和（iv）場景照明變化等。圖像邊界檢測大幅度地減少了數(shù)據(jù)量，并且剔除了可以認為不相關的信息，保留了圖像重要的結構屬性。有許多方法用于邊界檢測，它們的絕大部分可以劃分為兩類：基于查找一類和基于零穿越的一類?；诓檎业姆椒ㄍㄟ^尋找圖像一階導數(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。基于零穿越的方法通過尋找圖像二階導數(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。然而在實際圖像處理中，非特征細節(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行基于雙邊濾波的特征抽象處理。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)域而保留特征細節(jié)的方式，使得圖像特征能更加方便的被捕捉。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。雙邊濾波[13]是一種非線性的圖像濾波算法。從定義上，雙邊濾波組合了兩種不同性質的濾波方法，即低通濾波(lowpass filtering)和范圍濾波(range filtering)，分別對應了圖像處理中的空域濾波和值域濾波，因此雙邊濾波是一種邊界保持的去噪方法，能夠平滑圖像中非特征區(qū)域的同時保持其中重要的邊界信息。對于給定的灰度圖像I，雙邊濾波定義為：其中，其中W(p)是歸一化因子，N(p)表示像素p的鄰域像素的集合，σs和σc分別表示空域濾波半徑和值域濾波半徑，Gσ是高斯核函數(shù)。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。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。(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容進行理解和認識。然而，傳統(tǒng)的邊界檢測算法一般只能返回二值的結果，即指示當前的像素是否屬于邊界。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。在本文方案中，我們仍然認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，我們在提取圖像的邊界場信息后，根據(jù)像素與邊界的位置關系構造圖像的特征重要性場，用以描述圖像中像素的特征性。經(jīng)過雙邊濾波處理后的圖像很好地保留了圖像的邊界和區(qū)域信息，并且抑制了原有圖像的非特征細節(jié)和噪聲，是對圖像的一種保特征抽象。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’。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’)。為了后續(xù)的特征場構造，邊界場圖像E的每個元素被構造為一個三元組(I