【正文】 ganic lightingemitting diode，OLED）的顯示器通過像素中的顏色單元自發(fā)光的形式顯示顏色，因此避免了使用背光光源 [3]。OLED顯示器的每個像素均包含了R（Red）、G（Green）、B（Blue）色彩模型中三個原色的發(fā)光單元，通過不同的亮度調(diào)節(jié)形成不同的顏色變化。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(dú)立功率的和。圖 12 OLED顯示器對于紅、綠、藍(lán)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(shí)現(xiàn)針對OLED顯示器的節(jié)能顯示 [9]。在硬件實(shí)現(xiàn)層次上，Shin等人受到傳統(tǒng)背光功率管理模型的技術(shù)的啟發(fā)，將其應(yīng)用到了OLED 顯示器中，并提出了動態(tài)電壓調(diào)整（dynamic voltage scaling，DVS）的新技術(shù)，該技術(shù)允許在幾乎不產(chǎn)生人眼感知差別的前提下，% 的功率節(jié)約[10]。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。Moshnyaga等人則使用視頻攝像頭實(shí)現(xiàn)了類似的方法[1]。在這一領(lǐng)域一些學(xué)者提出了不少方法，比如通過增強(qiáng)自然圖像的對比度的方法使得顯示器亮度降低時(shí)圖像質(zhì)量的損失更少[11]。圖像處理是信號處理在圖像域上的一個應(yīng)用。此外，基于光學(xué)理論的處理方法依然占有重要的地位。數(shù)字圖像是指用數(shù)字?jǐn)z像機(jī)、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。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(yīng)用在圖像處理上，比如降噪、量化等。圖像處理技術(shù)的主要內(nèi)容包括圖像壓縮，增強(qiáng)和復(fù)原，匹配、描述和識別3個部分。圖像處理一般指數(shù)字圖像處理。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。圖像亮度調(diào)整算法經(jīng)歷了一個從簡單到復(fù)雜、從整體到局部的過程。早期的亮度調(diào)整算法如直方圖定制[14]、增益2偏差調(diào)整(Gain2offset)[15]等算子處理局部，這些算法大都使用一個類似于γ函數(shù)的全局色調(diào)映射函數(shù)非線性地拉伸圖像亮度，使得圖像整體對比度得到增強(qiáng)，從生理學(xué)角度講，人類的感知能力與外界的刺激對數(shù)成比例，因此這些調(diào)整算法都是在亮度的對數(shù)域上進(jìn)行操作。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。 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(jì)與亮度優(yōu)化問題?；诠?jié)能的自適應(yīng)亮度優(yōu)化以圖像作為輸入，實(shí)時(shí)生成亮度優(yōu)化的圖像結(jié)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(shí)，具有一定的感知特征增強(qiáng)效果。本文所使用的實(shí)驗(yàn)數(shù)據(jù)包括一般圖像和具有重要信息的二維地圖圖像。該軟件接受一般圖像文件的讀取，允許用戶對圖像進(jìn)行基本的操作（如亮度/對比度的調(diào)整、圖像結(jié)果保存等），并方便用戶對圖像處理過程中參數(shù)調(diào)節(jié)等操作進(jìn)行實(shí)時(shí)的預(yù)覽。最后，本文第5章進(jìn)行了總結(jié)與展望。 圖像亮度優(yōu)化圖像的亮度調(diào)整，如欠曝光圖像調(diào)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(jié)果跟欠曝光的圖像非常相似[36]。他們根據(jù)人眼對亮度和對比度的敏感程度，提出了一個全局映射函數(shù)。同時(shí)避免普通直方圖定制中產(chǎn)生的平坦區(qū)域被拉伸的問題[38]。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。該方法并不是直接對像素的亮度值進(jìn)行操作，而是間接地在梯度域上進(jìn)行控制和約束。該方法最早由Fattal等人[19]在高動態(tài)范圍的圖像處理中提出，先對圖像的梯度進(jìn)行多尺度變換，然后反求出亮度映射后的圖像。Adobe公司的Healing Brush也用到了類似的技術(shù)。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。梯度域問題是在灰度圖像上進(jìn)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。▽Ix，▽Iy的給定根據(jù)不同的應(yīng)用可以有不同的方法。而在梯度域的HDR處理中，則是多尺度地改變原始的梯度，根據(jù)初始梯度的大小，相應(yīng)地進(jìn)行放縮。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。通常用的方法是共軛梯度法?？焖偾蠼膺@一問題有非常重要的現(xiàn)實(shí)意義，有不少工作研究了其快速求解。Agawala[25]等在2007年Siggraph上提出了一種近似求解部分梯度域問題的方法，大大降低了內(nèi)存需求與計(jì)算時(shí)間。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。一方面，圖像的邊界往往對應(yīng)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(guān)注。圖像理解和分析的第一步往往就是邊界檢測，目前它已成為機(jī)器視覺研究領(lǐng)域最活躍的課題之一，在工程應(yīng)用中占有十分重要的地位。圖像的邊界是圖像的基本特征。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。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]。對于自然圖像，檢測的主要困難在于這些變化發(fā)生在一個很寬的尺度范圍內(nèi)。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。 邊界檢測的基本步驟邊界檢測的基本步驟包括濾波、增強(qiáng)、檢測和定位。 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。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。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。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。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。Roberts算子計(jì)算時(shí)利用的像素?cái)?shù)一共有4個，可以用模板對應(yīng)4個像素與模板相應(yīng)的元素相乘相加得到。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。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。Prewitt算子進(jìn)行計(jì)算時(shí)要用到9個像素。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。l Sobel算子采用梯度微分銳化圖像，同時(shí)會使噪聲、條紋等得到增強(qiáng)，Sobel算子則在一定程度上克服了這個問題。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。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，這個算子是旋轉(zhuǎn)不變算子?？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。一般增強(qiáng)技術(shù)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(fù)峰之間的過零點(diǎn)來確定。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)合起來生成一個新的模板。下圖展示了四個算子的離散形式。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(yùn)算速度較快，從乘法的角度看Laplacian算子的運(yùn)算速度較快。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(jié)果還是相當(dāng)不錯的。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。不過Sobel算子對邊界的定位不是很準(zhǔn)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(zhǔn)確性要求很高的應(yīng)用。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(diǎn)。 (a) 原圖 (b) Roberts算子檢測結(jié)果 (c) Prewitt 算子檢測結(jié)果 (d) Sobel算子檢測結(jié)果(e) Laplacian算子檢測結(jié)果圖 23不同邊緣檢測算子結(jié)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(chǔ)。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(fù)雜噪聲的圖像，處理效果則不理想。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。綜合考慮各種邊界檢測算子的特點(diǎn)，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。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。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。但是，簡單地線性降低顯示圖像內(nèi)容的亮度，可能會造成圖像質(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。最新的OLED顯示器由于每個像素都可以獨(dú)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。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。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環(huán)節(jié)。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。邊界檢測是圖像處理和計(jì)算機(jī)視覺中的基本問題，邊界檢測的目的是標(biāo)識數(shù)字圖像中亮度變化明顯的像素。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(rèn)為不相關(guān)的信息，保留了圖像重要的結(jié)構(gòu)屬性。基于查找的方法通過尋找圖像一階導(dǎo)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。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。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(jìn)行抽象。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。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，采用對紅、綠、藍(lán)三個通道分別進(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。(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。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。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(guān)系構(gòu)造圖像的特征重要性場，用以描述圖像中像素的特征性。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’。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。在本文對于圖像自適應(yīng)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）。為了加速圖像邊界距離場的計(jì)算，我們采用Cao等人提出的基于GPU的并行條帶算法（PBA算法）[33]實(shí)現(xiàn)快速的距離場的計(jì)算，得到邊界圖像E的邊界距離場，記作D=PBA(E)。同樣，邊界距離場D的每個元素也被構(gòu)造為一個三元組(x, y, d)，分別記錄距離每個像素最近的邊界像素的位置坐標(biāo)及其距離值。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?。ㄈ鐖D 35）。S(p)表示像素p的特征性值，其值域?yàn)閇0,1]，描述