專利名稱：：一種基于內(nèi)容的主體大小能控的圖像縮放方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種基于內(nèi)容的主體大小能控的圖像縮放方法，屬信息
技術(shù)領(lǐng)域：
。
背景技術(shù)：
：基于內(nèi)容的圖像縮放，即在圖像大小及長(zhǎng)寬比發(fā)生變化時(shí)保持圖像主體區(qū)域不變形的圖像縮放技術(shù)。近年來(lái)，隨著各種不同縱橫比和分辨率的顯示設(shè)備的迅猛增長(zhǎng)，該技術(shù)已然成為數(shù)字圖像處理領(lǐng)域的研究熱點(diǎn)之一。其中，內(nèi)容重要度自動(dòng)識(shí)別及基于重要度權(quán)重的縮放是其兩個(gè)主要階段。在內(nèi)容重要度識(shí)別過(guò)程中，由于在同一圖像內(nèi)經(jīng)常會(huì)存在不同大小的多個(gè)主體區(qū)域，因此必須采用多分辨率尺度圖像進(jìn)行識(shí)別。在縮放方面，基于網(wǎng)格的任意圖像縮放技術(shù)由于其具有局部自適應(yīng)縮放的能力而成為一種效果不錯(cuò)的縮放方法之一。但是，現(xiàn)有技術(shù)以保持長(zhǎng)寬比的各種不同比例因子的統(tǒng)一縮放網(wǎng)格作為優(yōu)化機(jī)制而使結(jié)果圖像中的主體區(qū)域大小自動(dòng)隨著圖像大小本身的縮小而縮小，放大而放大，不能滿足用戶根據(jù)圖像內(nèi)容控件主體大小的需求。
發(fā)明內(nèi)容本發(fā)明的目的在于克服現(xiàn)有技術(shù)之不足，而提供一種基于內(nèi)容的主體大小能控的圖像縮放方法。本發(fā)明的技術(shù)方案是本發(fā)明的方法是在現(xiàn)有技術(shù)的基礎(chǔ)上改進(jìn)優(yōu)化而成，包括梯度計(jì)算、顯著度獲取、重要度權(quán)重計(jì)算、自適應(yīng)網(wǎng)格初始化、基于重要度權(quán)重的網(wǎng)格變形及圖像內(nèi)容逆向映射六個(gè)步驟；具體如下(1)梯度計(jì)算分別求取R、G、B三個(gè)通道的梯度模值，再對(duì)其平均值進(jìn)行歸一化；(2)顯著度獲取先從原圖像中生成七層高斯金字塔，接著分別在各層采用現(xiàn)有的基于稀疏特征的視覺(jué)關(guān)注度模型來(lái)求取各層的顯著度，之后從分辨率高的層的顯著圖s1中得到權(quán)重值最后，根據(jù)權(quán)重合并各層的顯著度得到最終的顯著度值S本發(fā)明在這部分提出的這種基于稀疏特征的多分辨率顯著度求取方法比現(xiàn)有的基于稀疏特征的單分辨率顯著度求取方法能更好地識(shí)別出同一圖像中不同大小的主體區(qū)域，同時(shí)比主流的基于視覺(jué)原理的多分辨率模型能更精確地識(shí)別出圖像中的顯著區(qū)域，因?yàn)楹笳邇H僅將亮度、顏色及特定方向(0°、45°、90°、135°)信息中對(duì)比度大的區(qū)域定義為主體區(qū)域，從而容易將一些細(xì)碎的對(duì)比度大的背景區(qū)域如針狀樹(shù)葉、浪花等誤認(rèn)為是主體區(qū)域(如圖6)；(3)重要度權(quán)重計(jì)算對(duì)圖像梯度G和顯著度S求加權(quán)平均得到最終圖像重要度值W本發(fā)明提出的將圖像梯度和顯著度的加權(quán)平均作為圖像重要度比現(xiàn)有的單純用梯度作為圖像重要度或?qū)⑻荻燃帮@著度的乘積作為重要度能更好地識(shí)別出圖像中的主體的邊界及內(nèi)部區(qū)域，而后兩者都僅對(duì)邊緣敏感，幾乎識(shí)別不出主體的內(nèi)部區(qū)域(如圖7)；(4)自適應(yīng)網(wǎng)格初始化先將原圖像按20X20生成規(guī)則矩形網(wǎng)格，之后根據(jù)目標(biāo)圖像大小對(duì)網(wǎng)格進(jìn)行統(tǒng)一縮放，再對(duì)縮放后的網(wǎng)絡(luò)按Yu-ShuenWang等人提出的準(zhǔn)則優(yōu)化式中Wi,」是i，j邊所在網(wǎng)格權(quán)重的平均值，v'i和v'j是i，j邊兩個(gè)端點(diǎn)的坐標(biāo)；(5)基于重要度權(quán)重的網(wǎng)格變形首先構(gòu)造網(wǎng)格變形能量Du式中f為單元網(wǎng)格，E(f)為單元網(wǎng)格的邊，Vi、Vj是原圖像中的網(wǎng)格點(diǎn)坐標(biāo)，v'i、v'j是變形后的網(wǎng)格點(diǎn)坐標(biāo)，a是控制主體大小的參數(shù)，主體大小與a值成正比，當(dāng)a=1時(shí)，主體大小趨近于原圖中的大小，wf為單元網(wǎng)格權(quán)重，是單元網(wǎng)格中各像素的平均值；sf是單元網(wǎng)格的統(tǒng)一變形比例，通過(guò)最小化單元網(wǎng)格變形量Du(f)獲得，即Du(f)對(duì)&求偏導(dǎo)數(shù)再令其等于零另外，采用現(xiàn)有的網(wǎng)格線彎曲能量化生成總的網(wǎng)格變形能量D最后通過(guò)迭代優(yōu)化最小化能量D而生成變形網(wǎng)格。本發(fā)明在這里提出的網(wǎng)格變形能量D能根據(jù)圖像重要度優(yōu)化控制局部網(wǎng)格與其對(duì)應(yīng)的用指定比例因子統(tǒng)一縮放的網(wǎng)格之間的變形度，使重要度大的區(qū)域內(nèi)的網(wǎng)格盡可能的接近指定比例因子的統(tǒng)一縮放網(wǎng)格，而將因圖像大小、長(zhǎng)寬比變化引起的變形盡量集中在重要度小的同構(gòu)區(qū)域內(nèi)，從而達(dá)到保護(hù)圖像中主體區(qū)域不變形的同時(shí)，能滿足用戶根據(jù)圖像內(nèi)容控制主體大小的需求(如圖8)；(6)圖像內(nèi)容逆向映射先計(jì)算變形后單元網(wǎng)格各頂點(diǎn)的坐標(biāo)變化量，后用雙線性插值求出單元網(wǎng)格內(nèi)部各像素點(diǎn)的坐標(biāo)變化量。這樣目標(biāo)圖像中的每個(gè)像素點(diǎn)就對(duì)應(yīng)于原圖像中的一個(gè)實(shí)數(shù)坐標(biāo)，最后用該實(shí)數(shù)坐標(biāo)位置四鄰域內(nèi)的像素點(diǎn)顏色線性插值得到目標(biāo)圖像對(duì)應(yīng)像素點(diǎn)的像素值。本發(fā)明的效果在于①、采用梯度和基于稀疏特征的多分辨率顯著度的加權(quán)平均作為重要度能更好地自動(dòng)識(shí)別出同一圖像中不同大小主體的邊界及內(nèi)部區(qū)域。②、在圖像縮放過(guò)程中通過(guò)預(yù)先設(shè)定參數(shù)a值能滿足用戶根據(jù)內(nèi)容控制主體大小的需求。③、操作步驟簡(jiǎn)便，圖像縮放效果佳。圖1為本發(fā)明流程示意圖。圖2為本發(fā)明提出的基于稀疏特征的顯著度模型計(jì)算過(guò)程示意圖。圖3為本發(fā)明提出的結(jié)合梯度和顯著度的加權(quán)平均作為重要度的計(jì)算過(guò)程示意圖。圖4為基于網(wǎng)格變形的圖像縮放過(guò)程示意圖。圖5為本發(fā)明提出的主體大小能控縮放方法取不同參數(shù)所得結(jié)果比較示意圖。圖6為本發(fā)明提出的顯著度求取方法結(jié)果與現(xiàn)有主流技術(shù)結(jié)果比較示意圖。圖中(a)、原圖像；(b)、基于稀疏特征的單分辨率顯著度模型結(jié)果；(c)、基于視覺(jué)原理的多分辨率顯著度模型結(jié)果；(d)、本發(fā)明提出的基于稀疏特征的多分辨率顯著度模型結(jié)^o圖7為本發(fā)明提出的重要求求取方法結(jié)果與現(xiàn)有主流技術(shù)結(jié)果比較示意圖。圖中(a)、原圖像；(b)直接以梯度作為重要度的結(jié)果圖像；(c)、以梯度和顯著度的乘積作為重要度的結(jié)果圖像；(d)、本發(fā)明提出的結(jié)合梯度和顯著度的加權(quán)平均作為重要度的結(jié)果圖像。圖8為本發(fā)明提出的縮放方法結(jié)果與現(xiàn)有主流技術(shù)結(jié)果比較示意圖。圖中(a)、原圖像；(b)、(c)和(d)為現(xiàn)有主流技術(shù)結(jié)果，(b)、后向能量的縫裁剪縮放方法結(jié)果；(c)、前向能量的縫裁剪縮放方法結(jié)果；(d)、現(xiàn)有基于網(wǎng)格變形方法縮放結(jié)果；(e)、我們的主體大小可控縮放方法結(jié)果(alpha=1)。具體實(shí)施例方式基于內(nèi)容的主體大小能控的圖像縮放方法主要包括內(nèi)容重要度自動(dòng)識(shí)別及基于重要度權(quán)重的縮放兩個(gè)階段。在內(nèi)容重要度自動(dòng)識(shí)別階段，首先分別在R、G、B三個(gè)通道計(jì)算原圖像的梯度模值，再求這三個(gè)梯度值的平均并進(jìn)行歸一化，得到原圖像的結(jié)構(gòu)信息。另一方面，生成原圖像的七層高斯金字塔，在各層采用基于稀疏特征的視覺(jué)關(guān)注度模型來(lái)求取各層的顯著度，接著將各層顯著度圖恢復(fù)到原圖像大小，從分辨率高的層的顯著圖s1中計(jì)算合并權(quán)重值「0，ifS'.<threshold式中的閥值為經(jīng)驗(yàn)值，在我們實(shí)驗(yàn)中通常采用0.2。最后，根據(jù)權(quán)重合并各層的顯著度得到最終的顯著度值S(如圖2)對(duì)圖像梯度G和顯著度S求加權(quán)平均得到最終圖像重要度值W(如圖3):式中的0通常取0.5，但對(duì)原圖像中包括大量瑣碎結(jié)構(gòu)如針狀樹(shù)葉、水波紋等時(shí)，3取值小于0.5。在基于重要度權(quán)重的縮放階段，先將原圖像按20X20生成規(guī)則矩形網(wǎng)格，之后根據(jù)目標(biāo)圖像大小對(duì)網(wǎng)格進(jìn)行統(tǒng)一縮放，再對(duì)縮放后的網(wǎng)絡(luò)按Yu-ShuenWang等人提出的準(zhǔn)則優(yōu)化式中Wi,」是i，j邊所在網(wǎng)格權(quán)重的平均值，v'i和v'j是i，j邊兩個(gè)端點(diǎn)的坐標(biāo)。如此生成的自適應(yīng)網(wǎng)格為之后網(wǎng)格迭代變形中的初始網(wǎng)格。網(wǎng)格變形中的能量D是網(wǎng)格變形能量Du和網(wǎng)格線彎曲能量&的和其中，網(wǎng)格變形能量Du為式中f為單元網(wǎng)格，E(f)為單元網(wǎng)格的邊，Vi、Vj是原圖像中的網(wǎng)格點(diǎn)坐標(biāo)，v'pv'」是變形后的網(wǎng)格點(diǎn)坐標(biāo)，a是控制主體大小的參數(shù)，主體大小與a值成正比，當(dāng)a=1時(shí)，主體大小趨近于原圖中的大小(如圖5)，wf為單元網(wǎng)格權(quán)重，是單元網(wǎng)格中各像素的平均值；sf是單元網(wǎng)格的統(tǒng)一縮放比例，通過(guò)最小化單元網(wǎng)格變形量Du(f)獲得，即Du(f)對(duì)sf求偏導(dǎo)數(shù)再令其等于零另外，采用現(xiàn)有的網(wǎng)格線彎曲能量化在迭代變形網(wǎng)格過(guò)程中，先從上述的初始網(wǎng)格計(jì)算出網(wǎng)格統(tǒng)一縮放比例％和網(wǎng)格線彎曲度1M，接著對(duì)sf進(jìn)行高斯平滑濾波。有了&和1^，優(yōu)化網(wǎng)格變形能量D最小來(lái)更新目標(biāo)網(wǎng)格的頂點(diǎn)坐標(biāo)，即D對(duì)網(wǎng)格頂點(diǎn)v'i求偏導(dǎo)數(shù)并令其等于零，從而得到關(guān)于Vi的線性方程組，解方程組得到新的目標(biāo)網(wǎng)格頂點(diǎn)坐標(biāo)v'i，如此完成一輪迭代。接著將上一輪的結(jié)果v'i作為初始網(wǎng)格坐標(biāo)重復(fù)上述過(guò)程來(lái)迭代更新目標(biāo)網(wǎng)格頂點(diǎn)坐標(biāo)，直到某兩輪的D變化量小于1，結(jié)束迭代，得到最終變形網(wǎng)格。根據(jù)原圖像網(wǎng)格及變形網(wǎng)格的對(duì)應(yīng)關(guān)系，計(jì)算出變形網(wǎng)格各頂點(diǎn)的坐標(biāo)平移量，采用多邊形掃描轉(zhuǎn)換方法，結(jié)合雙線性插值法從網(wǎng)格四個(gè)頂點(diǎn)的坐標(biāo)平移量插值出網(wǎng)格內(nèi)部各像素點(diǎn)的坐標(biāo)平移量。按逆向映射的原理，目標(biāo)圖像中各個(gè)像素點(diǎn)的顏色值就是原圖像中坐標(biāo)為目標(biāo)圖像像素點(diǎn)坐標(biāo)加其對(duì)應(yīng)平移量的像素點(diǎn)的顏色值，由于目標(biāo)圖像像素點(diǎn)坐標(biāo)加其對(duì)應(yīng)平移量后的坐標(biāo)值為實(shí)數(shù)，故最終顏色值是原圖像中實(shí)數(shù)坐標(biāo)位置四鄰域內(nèi)的像素點(diǎn)顏色線性插值得到的值。權(quán)利要求一種基于內(nèi)容的主體大小能控的圖像縮放方法，包括梯度計(jì)算、顯著度獲取、重要度權(quán)重計(jì)算、自適應(yīng)網(wǎng)格初始化、基于重要度權(quán)重的網(wǎng)格變形及圖像內(nèi)容逆向映射六個(gè)步驟，其特征在于a.顯著度獲取先從原圖像中生成七層高斯金字塔，接著分別在各層采用現(xiàn)有的基于稀疏特征的視覺(jué)關(guān)注度模型來(lái)求取各層的顯著度，之后從分辨率高的層的顯著圖s1中得到權(quán)重值<mrow><msub><mi>w</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mn>0</mn><mo>,</mo></mtd><mtd><mi>if</mi><msubsup><mi>S</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mn>1</mn></msubsup><mo><</mo><mi>threshold</mi></mtd></mtr><mtr><mtd><mn>1</mn><mo>,</mo></mtd><mtd><mi>otherwise</mi></mtd></mtr></mtable></mfenced></mrow>最后，根據(jù)權(quán)重合并各層的顯著度得到最終的顯著度值S<mrow><msub><mi>S</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mfrac><mn>1</mn><mi>N</mi></mfrac><msubsup><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></msubsup><msubsup><mi>S</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mi>k</mi></msubsup><mo>,</mo></mtd><mtd><mi>if</mi><msub><mi>w</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>=</mo><mn>1</mn></mtd></mtr><mtr><mtd><msubsup><mi>S</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow><mn>1</mn></msubsup><mo>,</mo></mtd><mtd><mi>otherwise</mi></mtd></mtr></mtable></mfenced><mo>,</mo></mrow>N＝1，2，…7；b.重要度權(quán)重計(jì)算對(duì)圖像梯度G和顯著度S求加權(quán)平均得到最終圖像重要度值WW＝βG+(1β)S；c.基于重要度權(quán)重的網(wǎng)格變形首先構(gòu)造網(wǎng)格變形能量Du<mrow><msub><mi>D</mi><mi>u</mi></msub><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mrow><mo>{</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>}</mo><mo>∈</mo><mi>E</mi><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow></munder><mrow><mo>(</mo><msup><mrow><mo>|</mo><mo>|</mo><mrow><mo>(</mo><msubsup><mi>v</mi><mi>i</mi><mo>′</mo></msubsup><mo>-</mo><msubsup><mi>v</mi><mi>j</mi><mo>′</mo></msubsup><mo>)</mo></mrow><mo>-</mo><msub><mi>s</mi><mi>f</mi></msub><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msup><mo>+</mo><msup><mrow><mo>|</mo><mo>|</mo><msub><mi>s</mi><mi>f</mi></msub><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>-</mo><mi>α</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msup><mo>)</mo></mrow></mrow><mrow><msub><mi>D</mi><mi>u</mi></msub><mo>=</mo><munder><mi>Σ</mi><mrow><mi>f</mi><mo>∈</mo><mi>F</mi></mrow></munder><msub><mi>w</mi><mi>f</mi></msub><msub><mi>D</mi><mi>u</mi></msub><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow>式中f為單元網(wǎng)格，E(f)為單元網(wǎng)格的邊，vi、vj是原圖像中的網(wǎng)格點(diǎn)坐標(biāo)，v′i、v′j是變形后的網(wǎng)格點(diǎn)坐標(biāo)，α是控制主體大小的參數(shù)，主體大小與α值成正比，當(dāng)α＝1時(shí)，主體大小趨近于原圖中的大小，wf為單元網(wǎng)格權(quán)重，是單元網(wǎng)格中各像素的平均值；sf是單元網(wǎng)格的統(tǒng)一變形比例，通過(guò)最小化單元網(wǎng)格變形量Du(f)獲得，即Du(f)對(duì)sf求偏導(dǎo)數(shù)再令其等于零<mrow><mfrac><mrow><msub><mrow><mo>∂</mo><mi>D</mi></mrow><mi>u</mi></msub><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow><msub><mrow><mo>∂</mo><mi>s</mi></mrow><mi>f</mi></msub></mfrac><mo>=</mo><munder><mi>Σ</mi><mrow><mo>{</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>}</mo><mo>∈</mo><mi>E</mi><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow></munder><mn>2</mn><mrow><mo>(</mo><mn>2</mn><msup><mrow><mo>|</mo><mo>|</mo><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msup><msub><mi>s</mi><mi>f</mi></msub><mo>-</mo><msup><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mi>T</mi></msup><mrow><mo>(</mo><msubsup><mi>v</mi><mi>i</mi><mo>′</mo></msubsup><mo>-</mo><msubsup><mi>v</mi><mi>j</mi><mo>′</mo></msubsup><mo>)</mo></mrow><mo>-</mo><msup><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mi>T</mi></msup><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow></mrow><mrow><mfrac><mrow><msub><mrow><mo>∂</mo><mi>D</mi></mrow><mi>u</mi></msub><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow><msub><mrow><mo>∂</mo><mi>s</mi></mrow><mi>f</mi></msub></mfrac><mo>=</mo><mn>0</mn><mo>⇒</mo><msub><mi>s</mi><mi>f</mi></msub><mo>=</mo><mfrac><mrow><msub><mi>Σ</mi><mrow><mo>{</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>}</mo><mo>∈</mo><mi>E</mi><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow></msub><msup><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mi>T</mi></msup><mrow><mo>(</mo><msubsup><mi>v</mi><mi>i</mi><mo>′</mo></msubsup><mo>-</mo><msubsup><mi>v</mi><mi>j</mi><mo>′</mo></msubsup><mo>)</mo></mrow><mo>+</mo><msup><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mi>T</mi></msup><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow></mrow><mrow><mn>2</mn><msub><mi>Σ</mi><mrow><mo>{</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>}</mo><mo>∈</mo><mi>E</mi><mrow><mo>(</mo><mi>f</mi><mo>)</mo></mrow></mrow></msub><msup><mrow><mo>|</mo><mo>|</mo><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msup></mrow></mfrac></mrow>另外，采用現(xiàn)有的網(wǎng)格線彎曲能量Dl<mrow><msub><mi>D</mi><mi>l</mi></msub><mo>=</mo><munder><mi>Σ</mi><mrow><mo>{</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>}</mo><mo>∈</mo><mi>E</mi></mrow></munder><msup><mrow><mo>|</mo><mo>|</mo><mrow><mo>(</mo><msubsup><mi>v</mi><mi>i</mi><mo>′</mo></msubsup><mo>-</mo><msubsup><mi>v</mi><mi>j</mi><mo>′</mo></msubsup><mo>)</mo></mrow><mo>-</mo><msub><mi>l</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>-</mo><msub><mi>v</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msup><mo>,</mo></mrow>li，j＝||(v′iv′j)||/||(vivj)||生成總的網(wǎng)格變形能量DD＝Du+Dl.全文摘要一種基于內(nèi)容的主體大小能控的圖像縮放方法，屬信息
技術(shù)領(lǐng)域：
。該方法包括梯度計(jì)算、顯著度獲取、重要度計(jì)算、網(wǎng)格初始化、網(wǎng)格變形及圖像內(nèi)容映射六個(gè)步驟。其中，步驟2中提出的基于稀疏特征的多分辨率顯著度模型比現(xiàn)有主流方法能更精確地識(shí)別出同一圖像中不同大小的主體區(qū)域；步驟3中提出采用梯度和顯著度的加權(quán)平均作為重要度能更好地標(biāo)識(shí)出圖像中主體的邊界及內(nèi)部區(qū)域；步驟5中提出的網(wǎng)格變形能量能根據(jù)重要度進(jìn)行優(yōu)化控制使重要度大的網(wǎng)格盡可能的接近指定比例因子的統(tǒng)一縮放，而將因圖像大小、長(zhǎng)寬比變化引起的變形盡量集中在重要度小的同構(gòu)區(qū)域內(nèi)，從而達(dá)到保護(hù)圖像中主體區(qū)域不變形的同時(shí)，能滿足用戶根據(jù)內(nèi)容控制主體大小的需求。文檔編號(hào)G06T3/00GK101894361SQ20101021453公開(kāi)日2010年11月24日申請(qǐng)日期2010年7月1日優(yōu)先權(quán)日2010年7月1日發(fā)明者徐丹,施美玲申請(qǐng)人:云南大學(xué)