【文章內(nèi)容簡(jiǎn)介】 波器來改善與噪聲有關(guān)的邊界檢測(cè)器的性能；2）增強(qiáng)邊界的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值，增強(qiáng)算法可以將鄰域強(qiáng)度值有顯著變化的點(diǎn)突出顯示出來，邊界增強(qiáng)一般是通過計(jì)算梯度模來完成的；3）在圖像中有許多點(diǎn)的梯度模比較大，而這些點(diǎn)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(diǎn)是邊界，其中最簡(jiǎn)單的邊界檢測(cè)判斷是梯度模閥值判斷；4）如果某一應(yīng)用場(chǎng)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(jì)，邊界的方位也可以被估計(jì)出來。 邊界檢測(cè)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(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。兩個(gè)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(cè)正是利用了這一點(diǎn)，對(duì)圖像的各個(gè)像素進(jìn)行一階微分或二階微分確定邊界像素點(diǎn)。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(duì)二維圖像的x方向y方向分別用不同的模板，這兩個(gè)模板組合起來可以構(gòu)成一個(gè)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(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(cè)算子。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。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(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。Roberts算子計(jì)算時(shí)利用的像素?cái)?shù)一共有4個(gè)，可以用模板對(duì)應(yīng)4個(gè)像素與模板相應(yīng)的元素相乘相加得到。Roberts算子邊界定位準(zhǔn)，然而主要缺點(diǎn)是其對(duì)噪聲的高度敏感性，原因在于僅使用了很少幾個(gè)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(duì)于3*3的卷積掩模，在8個(gè)可能方向估計(jì)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(dǎo)數(shù)的算子由于具有確定梯度方向的能力，有時(shí)被稱作羅盤算子。對(duì)于每個(gè)算子我們只給出前面三個(gè)3*3掩模，其他的可以通過簡(jiǎn)單旋轉(zhuǎn)得到。Prewitt算子進(jìn)行計(jì)算時(shí)要用到9個(gè)像素。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)算過程與Roberts算子相似。Prewitt算子對(duì)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(dāng)于對(duì)圖像的低通濾波，所以Prewitt算子對(duì)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(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)問題。Sobel算子不像普通梯度算子那樣用兩個(gè)像素的差值，這就使Sobel算子具備了兩個(gè)優(yōu)點(diǎn)：首先，由于引入了平均因素，因而對(duì)圖像中的隨機(jī)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(cè)元素得到了增強(qiáng)，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(quán)平均，但是Sobel算子認(rèn)為，鄰域的像素對(duì)當(dāng)前像素產(chǎn)生的影響不是等價(jià)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(jià)的。Sobel算子根據(jù)鄰域像素與當(dāng)前像素的距離有不同的權(quán)值，一般是距離越小，權(quán)值越大。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。l Laplacian算子為了突出增強(qiáng)圖像中的孤立點(diǎn)、孤立線或孤立端點(diǎn)，在某些實(shí)際用途中常采用Laplacian算子，這個(gè)算子是旋轉(zhuǎn)不變算子。之前的這些算子都是一階導(dǎo)數(shù)算子，在圖像處理中經(jīng)常使用的還有二階導(dǎo)數(shù)算子，例如Laplacian算子就是二階微分算子?？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。Laplacian算子就利用了二階導(dǎo)數(shù)信息。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。Laplacian算子對(duì)于邊界是敏感的。一般增強(qiáng)技術(shù)對(duì)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(fù)峰之間的過零點(diǎn)來確定。Laplacian算子對(duì)噪聲比較敏感，所以圖像一般先經(jīng)過平滑處理。因?yàn)槠交幚硪彩怯媚０暹M(jìn)行的，所以，通常的分割算法都是把Laplacian算子和平滑算子結(jié)合起來生成一個(gè)新的模板。Laplace算子有一個(gè)缺點(diǎn)是它對(duì)圖像中的某些邊界產(chǎn)生雙重響應(yīng)。下圖展示了四個(gè)算子的離散形式。在實(shí)際實(shí)現(xiàn)中，圖像的每個(gè)像素與這些卷積核逐個(gè)進(jìn)行卷積，生成圖像邊界檢測(cè)的結(jié)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(cè)算子的離散形式（圖像卷積算子） 邊界檢測(cè)算法比較從加法的角度來看，Roberts算子的運(yùn)算速度較快，從乘法的角度看Laplacian算子的運(yùn)算速度較快。Roberts算子對(duì)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。但是Roberts算子由于不包括平滑，對(duì)噪聲比較敏感，在圖像噪聲較少的情況下，分割的結(jié)果還是相當(dāng)不錯(cuò)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(shí)現(xiàn)的，相當(dāng)于低通濾波，所以圖像有一定模糊。Sobel算子對(duì)噪聲有抑制作用，因此不會(huì)出現(xiàn)很多孤立的邊界像素點(diǎn)。不過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。與Prewitt相似，Sobel算子也是通過像素平均來實(shí)現(xiàn)的，也有一定的抗噪能力，同時(shí)圖像也產(chǎn)生了一定的模糊。由于Laplacian算子利用的是二階導(dǎo)數(shù)信息，對(duì)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(diǎn)。不過Laplacian算子對(duì)邊界的定位還是比較準(zhǔn)的。 (a) 原圖 (b) Roberts算子檢測(cè)結(jié)果 (c) Prewitt 算子檢測(cè)結(jié)果 (d) Sobel算子檢測(cè)結(jié)果(e) Laplacian算子檢測(cè)結(jié)果圖 23不同邊緣檢測(cè)算子結(jié)果對(duì)比在圖像處理中，邊界檢測(cè)有著非常重要的作用，是圖像處理的重要基礎(chǔ)。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。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(quán)平均濾波且檢測(cè)的圖像邊界可能大于2個(gè)像素，這兩者對(duì)灰度漸變低噪聲的圖像有較好的檢測(cè)效果，但對(duì)于混合多復(fù)雜噪聲的圖像，處理效果則不理想。如圖 23所示，Roberts邊界檢測(cè)的圖像紋理較清楚,但整個(gè)圖像過于模糊。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。Laplacian邊界檢測(cè)的效果較為適中，但其采用二階導(dǎo)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(cè)算子的特點(diǎn)，本文采用Sobel邊界檢測(cè)算子獲得圖像的重要邊界特征及特征區(qū)域。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(shí)現(xiàn)方法需要對(duì)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。更復(fù)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(shí)用的節(jié)能策略，同樣適用于OLED顯示器進(jìn)行節(jié)能展示。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。前者節(jié)能技術(shù)一般依賴于顯示圖像的內(nèi)容像素的強(qiáng)度，當(dāng)顯示圖像整體亮度比較均勻且具有較高的亮度時(shí)，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(diào)整輸入的圖像的亮度，可以獲得額外的能量節(jié)約。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)上解決這一問題。本章主要提出了一種通過分析圖像的重要特征，自適應(yīng)的進(jìn)行圖像亮度優(yōu)化的方法。最新的OLED顯示器由于每個(gè)像素都可以獨(dú)立的顯示顏色，因此對(duì)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。針對(duì)節(jié)能顯示的需求和OLED顯示器的這一特點(diǎn)，本章提出的面向節(jié)能的圖像顏色和亮度優(yōu)化設(shè)計(jì)方法同樣適用。與傳統(tǒng)的圖像增強(qiáng)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(shí)，保持圖像內(nèi)容的重要特征以便于用戶的理解。 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。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(dá)和顯示質(zhì)量的損失，通過邊界特征檢測(cè)的方法獲得圖像內(nèi)容的重要特征，然后通過構(gòu)建圖像的特征重要性場(chǎng)的方式，指導(dǎo)圖像的自適應(yīng)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(shè)計(jì)方案如下：首先，使用雙邊濾波對(duì)圖像進(jìn)行邊界特征保持的降噪處理，以消除一些無用的非特征細(xì)節(jié)和干擾噪聲；繼而，使用Sobel算子對(duì)降噪后圖像進(jìn)行邊界檢測(cè)，并計(jì)算邊界的距離場(chǎng)，然后通過合適的變換獲得圖像的特征重要性場(chǎng)，描述每個(gè)像素在用戶理解圖像時(shí)的重要性；最后，根據(jù)特征重要性場(chǎng)指導(dǎo)圖像進(jìn)行自適應(yīng)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(jié)果。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)。圖 31 圖像自適應(yīng)亮度優(yōu)化算法的流程圖（字母表示本章中所用符號(hào)） 基于雙邊濾波的圖像降噪處理通常，用戶通過對(duì)圖像的認(rèn)識(shí)主要基于對(duì)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(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(shí)圖像的重要區(qū)域。在圖像中，與顏色或亮度變化相關(guān)一些特征通常在人對(duì)圖像內(nèi)容的認(rèn)識(shí)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(cè)是圖像處理和計(jì)算機(jī)視覺中，尤其是特征提取中的一個(gè)重要研究?jī)?nèi)容。邊界檢測(cè)是圖像處理和計(jì)算機(jī)視覺中的基本問題，邊界檢測(cè)的目的是標(biāo)識(shí)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(zhì)屬性變化和（iv）場(chǎng)景照明變化等。圖像邊界檢測(cè)大幅度地減少了數(shù)據(jù)量，并且剔除了可以認(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。有許多方法用于邊界檢測(cè)，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(dǎo)數(shù)中的最大和最小值來檢測(cè)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(dǎo)數(shù)零穿越來尋找邊界，通常是Laplacian過零點(diǎn)或者非線性差分表示的過零點(diǎn)。然而在實(shí)際圖像處理中，非特征細(xì)節(jié)與噪聲的存在會(huì)干擾算法對(duì)圖像邊界的檢測(cè)和提取，因此本文首先對(duì)圖像進(jìn)行基于雙邊濾波的特征抽象處理。特征抽象是一個(gè)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。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(duì)圖像進(jìn)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(zhì)的濾波方法，即低通濾波(lowpass filtering)和范圍濾波(range filtering)，分別對(duì)應(yīng)了圖像處理中的空域?yàn)V波和值域?yàn)V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(shí)保持其中重要的邊界信息。對(duì)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?yàn)V波半徑和值域?yàn)V波半徑，Gσ是高斯核函數(shù)。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。運(yùn)用雙邊濾波之后，圖像會(huì)呈現(xiàn)出一種保留重要結(jié)構(gòu)信息的繪畫卡通的風(fēng)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(cè)及特征重要性場(chǎng)構(gòu)造對(duì)于一個(gè)圖像，用戶通常根據(jù)圖像的特征邊界信息對(duì)圖像的內(nèi)容進(jìn)行理解和認(rèn)識(shí)。然而，傳統(tǒng)的邊界檢測(cè)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。從數(shù)據(jù)分析的角度，這樣的結(jié)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?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?cè)谔崛D像的邊界場(chǎng)信息后，根據(jù)像素與邊界的位置關(guān)系構(gòu)造圖像的特征重要性場(chǎng)，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(xì)節(jié)和噪聲，是對(duì)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(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’。首先，我們采用Sobel邊界檢測(cè)算子[14]對(duì)雙邊濾波處理后的圖像I’進(jìn)行處理，獲得圖像的邊界場(chǎng)圖像，記作E=Sobel(I’)。為了后續(xù)的特征場(chǎng)構(gòu)造，邊界場(chǎng)圖像E的每個(gè)元素被構(gòu)造為一個(gè)三元組(I