基于显著特征分类的立体图像重定向方法

现有立体图像重定向方法对不同特征图像均采用相同的策略进行重定向操作,导致一些立体重定向图像出现信息丢失、形变扭曲或深度改变的情况。影响立体图像重定向结果质量的因素主要包括显著区域形状和可视深度的改变等。为了解决这些问题,提出一种基于图像显著特征分类的立体图像重定向方法,将图像分为无显著及有显著2类图像,结合立体智能剪裁方法及立体非均匀映射方法对不同特征图像采用不同的重定向策略以减少信息丢失及几何失真。通过利用显著区域与非显著区域的深度信息差异可以更好地保持显著图像的深度感。实验结果表明,提出方法在主观对比及客观指标评价中均取得了优于其他算法的效果。

基于网格与超像素的图像重定向方法

图像是人与人之间进行交流的重要媒介,在信息高速发展的今天,利用图像重定向技术使图像能满足各式各样的设备尺寸具有重要意义。基于网格的图像重定向算法首先对输入图像生成对应的规则矩形网格,然后根据该网格内的图像内容来评估图像像素权重以此决定此网格的变形程度,对图像全局进行不断迭代直到图像重定向终止条件。此类算法仍存在对图像内容评估不全面的问题,进而导致输出图像结构扭曲、难以保持结果图像的对角线特征以及整体结构等问题。针对以上问题,提出了一种基于超像素、梯度以及显著性的图像重定向方法。首先利用超像素方法对输入图像做预处理,然后用超像素块作为后续处理单位,随后利用基于梯度和显著性的图像像素权重评估方法对超像素处理输出图像进行权重度量,输出一幅图像重定向权重热力图,最后根据此重定向权重热力图对网格进行迭代优化,实现对图像的重定向处理。实验结果表明,相比对比方法所提方法在6种无参考图像质量评估指标上都有一定优越性,在语义合理性、信息准确性和视觉自然性上都具有一定优势,在图像重定向领域有较大的应用价值。

面向分类和深度损失的立体图像重定向质量评价

现有的立体重定向图像客观评价算法往往采用统一的方法对重定向图像的失真予以衡量.然而,对于不同类型的立体重定向图像,人眼关注的失真类型与模式不尽相同.此外,现有算法未能精确地衡量重定向图像中深度感变化.针对上述问题,本文提出了一种基于分类和深度感损失的立体图像重定向质量评价算法.该算法根据重定向图像的显著度和深度特征进行图像分类,对不同类型的图像采用不同的失真质量评价策略.此外,为了精确衡量重定向图像的深度感变化,本文还提出了两种用于衡量深度感损失的指标,分别利用重定向过程中深度信息的丢失以及绝对深度的相似度来衡量深度感的损失.本文利用NBU-SIRQA和SIRD数据库进行实验,结果表明,本文算法的整体评价性能优于现有所有算法.

考虑结构一致性和内容完整性的重定向图像质量评价

针对适应不同宽高比显示设备全屏显示的重定向图像的视觉质量问题,提出一种基于像素级结构一致性和内容完整性的重定向图像质量评价模型.该模型首先使用后向配准,建立重定向图像和参考图像之间的像素级对应关系;其次考虑到注意力转移的问题,采用像素级宽高比相似性偏差指数计算重定向图像在显著区域和全局的结构一致性,并利用图像组成变化获取图像内容完整性;最后通过内容完整性和结构一致性的线性组合实现重定向图像质量评价.实验结果表明,提出的模型不仅对重定向图像质量评价的效果好,而且可以在内容完整性和结构一致性的二维评估图中观察不同重定向算法的行为,适用于重定向算法比较、选择和优化.

利用AutoCAD 2000 VBA编程实现栅格图像的定向和纠正

介绍了在AutoCAD平台上对图像对象的操作控制 ,讨论了图像定向和图像纠正的原理 ,给出了在AutoCAD 2 0 0 0环境下利用VBA编程实现栅格图像四点定向和动态纠正的方法 。

基于缝雕刻的图像重定向算法

图像重定向算法利用人对图像内容的感知差异进行非均匀的图像缩放,以适应新的显示需求。本文提出了一种基于缝雕刻的图像重定向算法。它利用每条seam上像素的累加能量和最大能量构造混合能量模型,使算法既能够利用人眼对梯度信息的敏感性,又可以减少复杂纹理背景对seam提取的干扰。实验结果显示,相比其他几种算法,本文算法可以更好地保护图像中视觉关注对象的边缘轮廓结构,处理后的图像不仅视觉效果更好,与原图的相似性距离也更小。

基于多尺度失真感知特征的重定向图像质量评估

在不同宽高比显示设备上的图像观看体验通常受到图像重定向操作方法的影响。为了提高重定向图像主观感知与客观评估之间的一致性,提出了基于多尺度失真感知特征(MSDA)的客观重定向图像质量评估(RIQA)方法。语义失真和细节失真经常出现在图像的不同尺度上,因此从图像的不同尺度中提取失真感知特征。提出了一个描述原始图像和重定向图像之间的宽高比相似度(ARS)的精确度量。此外,使用视觉注意力融合图来模拟人类视觉系统对图像的主观关注度。在2个基准数据库上的实验结果表明,所提出的MSDA方法的肯德尔排名相关系数(KRCC)、皮尔逊线性相关系数(PLCC)和斯皮尔曼秩次相关系数(SRCC)指标分别比对比方法中最优方法提高4.1%、1.8%和4.5%。

基于Seam Carving的双向接缝裁剪图像重定向

在比较现有图像重定向技术方法基础上,针对传统Seam Carving方法,其图像边缘重要度图的表征内容感知存在忽视了图像内容主体与边缘关系的问题,提出一种双向接缝裁剪的图像重定向改进方法.该方法通过结合检测边缘的梯度能量图和检测内容的显著性图,突出重要对象主体和保护重要边缘信息,同时延缓裁剪细缝穿过重要信息的可能性,能够保持重定向图像的重要部分与图像整体之间的布局合理关系.以SIFT Flow算法作为质量评估参考,利用实验数据集和多组对比实验,验证了本研究图像重定向改进方法具有良好的视觉改善效果.

三维重定向图像主观和客观质量评价方法

三维(S3D)图像重定向技术的作用是调整S3D图像的宽高比。为准确和客观地衡量三维重定向图像的视觉质量,建立了一个S3D重定向图像质量评价数据库。首先,使用八种具有代表性的三维重定向算法对45幅原始图像按两种重定向尺度进行分辨率调整,共生成720幅三维重定向图像;然后,每幅重定向图像通过主观测试,得到相应的主观打分值;最后,对主观分数进行处理,得到平均主观意见分(MOS)值。在此基础上,提出一种三维重定向图像客观质量评价方法,即通过提取S3D重定向图像的深度感特征、视觉舒适度特征和左右视点的图像质量特征,使用支持向量回归预测得到S3D重定向图像的视觉质量。在提出的数据库上进行测试可以得知,所提方法的Pearson线性相关系数高于0.82,Spearman等级系数高于0.81,表明其能有效预测S3D重定向图像的视觉质量。

利用超像素划分网格的图像重定向算法

根据人类对图像内容的主观感知差异,对图像进行非均匀的缩放调整称为图像重定向。重定向能够满足不同比例的屏幕中显示图像的需要。针对现有算法处理结果存在不连续的现象,提出了一种利用超像素分割划分不规则网格的图像重定向算法。以超像素分割块的交点为顶点,超像素分割块之间的分割线为边构建不规则网格。进行图像变换时,设计了关键边长度和角度约束、关键结构的位置约束等条件,以达到保持图像内容结构的要求。实验结果表明,改进方法能够有效地减少图像重定向过程中的线段弯曲、局部变形的现象。

内容感知的图像重定向方法综述

随着各种智能设备的不断涌现,同一图像往往需要改变纵横比和大小来适应不同显示屏幕。基于内容感知的图像重定向方法通过研究图像重要内容的保持,使得图像自动适应到不同大小的显示设备上。主要对近年来基于内容感知的图像重定向方法的研究现状进行总结。按照重要度图的获取以及基于重要度图的重定向方法两方面回顾了手工特征的图像重定向;从基于深度神经网络的重定向算法、基于深度强化学习的多操作算法、基于美学感知的裁剪算法三个类别总结了现有的图像重定向的深度学习方法;在介绍已有的重定向数据集以及评价方法基础上,对主流的图像重定向算法进行分析比较,并按照类别总结了各个算法的实现原理和优缺点;针对现阶段所存在的问题和挑战,提出了该领域未来的研究方向。该研究旨在为感兴趣的研究人员提供有意义的帮助,以便推动该领域的进一步发展。

快速缝翘曲图像重定向算法

针对现有适用于小型显示设备的图像重定向算法焦点区域检测不精确、算法处理速度慢的问题,提出一种快速缝翘曲(FSW)图像重定向算法。建立一个与人类感知更加相关的自适应能量图,该能量图合并梯度幅度、深度图、显著性、面部、边缘和直线检测;提出一种利用行(列)像素之间最优匹配关系快速寻找最优高能量缝的方案实现快速、精确的焦点区域检测;通过给焦点和非焦点区域设置缩放因子以及使用线性插值方法,有效实现快速缝翘曲图像重定向。实验结果表明,该算法可更好保留复杂图像的重要内容及结构信息,其处理速度相较于其它算法也有明显提升。

一种基于显式SURF特征保留的图像重定向算法

图像重定向是一种通过调整图像大小,使其适合于任意显示终端高宽比的数字媒体处理技术。现有的图像重定向研究大多集中在重要对象的形状保持上,而对人类视觉系统敏感的图像关键特征缺乏充分考虑,导致视觉接受度较低。由此,提出了一种新的基于显式的SURF特征保留的图像重定向算法。不同于一般的基于顶点或轴对齐的网格编码形式的网格变形技术,该方法采用基于网格边的网格变形技术。首先定义一个仿射矩阵,使得每条网格边根据仿射矩阵进行变形,从而形成一个基本的基于网格边的变形模型;然后通过SURF特征检测得到SURF特征区域,再将网格边范围约束至SURF特征区域,以此达到特征保留的效果;最后得到一个新的网格变形模型。另外,通过在基本网格变形模型的基础上设置一个稀疏能量项,即给每条网格边赋初始权重以使网格线彼此稀疏,来解决网格线自交的问题;而且在必要时在迭代求解的过程中还可更新此权重。通过实验将所提方法与两种现有的图像重定向方法进行图像质量评估,结果表明所提方法能够在图像重定向过程中最小化失真,同时产生较好的视觉效果,得分增益最高可分别达到16.0%和9.7%。

图像重定向质量评价的研究进展

随着移动显示设备的普及,人们可以使用不同的终端设备来获取图像信息。为了适配不同尺寸的设备,图像重定向技术应运而生,并成为当前研究的热点。尽管该技术在近年来取得了长足进步,但没有算法能够保证在不降低视觉内容质量的前提下满足多种显示设备的要求。换句话说,在图像重定向的过程中,不可避免地会引入失真,降低用户的视觉体验。因此,如何客观、准确地评价重定向图像质量对图像重定向算法的选择、优化及发展至关重要。当前,研究人员已针对图像重定向质量评价开展了一系列研究,并取得了一定的研究成果。但是缺乏对图像重定向质量评价的综述,因此本文对当前图像重定向质量评价的研究进展进行了较为全面的回顾和总结。首先简单介绍了图像重定向以及传统图像质量评价;然后分别介绍图像重定向质量评价的数据集和客观质量评价方法,将现有的客观质量评价分为基于传统特征相似性的方法和基于图像配准的方法两类,并分析了两类方法的优缺点;接着在3个数据集上对具有代表性的算法的性能进行了对比分析;最后,总结了当前图像重定向质量评价领域面临的问题和挑战,并指明了未来可能的发展方向。

光场图像基线编辑方法

图像重定向是图像编辑中的一个基本问题,主要研究根据具体应用要求对图像内容进行重构。当前针对光场图像角度和空间超分辨率以外的重定向的研究尚属空白。提出了一种光场图像基线编辑方法。算法主要包含三个步骤:首先对光场图像进行标定得到相机参数,并估计光场图像每个子视点图像的视差图;然后根据基线编辑的要求对光场图像进行重定向处理,即将每个子视点图像投影到目标光场图像对应的子视点;最后构建一个深度学习算法对目标光场图像进行优化,对直接重定向过程中因遮挡去除导致的图像空洞区域进行修复。实验结果表明,所提算法能够实现基线编辑的光场图像重定向处理,得到高质量的目标光场图像。该算法可用于一系列光场图像编辑应用,包括光场图像拼接、不同图像间物体拷贝和复制、光场图像的立体显示等。

融合显著与深度信息的缝切割重定向方法

针对当前内容感知的重定向方法中可能出现的变形和失真问题,提出一种融合显著与深度信息的缝切割重定向方法.首先利用GBVS算法获取图像显著信息,结合图像梯度信息与通过SIFT匹配方法获取的图像深度信息构建更精确的重要度图;其次,根据重要度图的能量分布,对原始图像进行处理,得到最终的重定向结果.基于公开数据库在两个不同评价标准下与多种重定向方法的对比表明,本文方法能够最大程度的保留图像的显著部分.

齐次线性方程组约束的三维重建方法

将摄像机模型表示成齐次线性方程组,多幅图像上的对应点进行融合,得到多视图几何的三维空间点坐标的计算公式,使视差信息得以充分体现.实验结果表明,多目立体视觉具有定向正负性,并且与人类双目立体视觉原理相一致.

MMDS的邻频频道合成器

MMDS 是一种邻频工作的多频道电视广播业务。MMDS 发射机通常分别输出图像和伴音射频信号。需经双工器合成后再多频道合成,或者直接多路图像、伴音信号一并合成后送往天馈系统。能使多频道的射频信号。

结合双向相似性变换的重定向图像质量评价

目的显示设备的多样化使得图像重定向的作用日益凸显。不同的重定向方法产生不同视觉感受的重定向图像,而如何评价重定向图像的质量,优化重定向算法是当前研究的热点与难点,为此,提出一种结合双向相似性变换的重定向图像质量评价方法。方法首先对原始图像和重定向图像进行像素点双向匹配,利用网格顶点坐标对计算前向变换矩阵和后向变换矩阵。然后由相似性变换矩阵与标准变换矩阵间的距离得到重定向图像的几何失真。由网格面积缺失得到重定向图像的信息损失。最后结合网格的显著性,融合前向匹配与后向匹配的几何失真和信息损失得到重定向图像的质量。结果该方法在Retarget Me和CUHK数据库上的KRCC(Kendall rank correlation coefficient)和SROCC(Spearman rank-order correlation coefficient)性能分别达到了0.46和0.71,较现有方法有较大提升。在前向匹配与后向匹配测试中,双向匹配的测试结果优于单向匹配。结论本文方法将图像的重定向处理看做相似性变换过程。实验结果表明,从相似性变换矩阵中提取的相关特征能够较精确度量重定向图像的几何失真,而由此引发的网格面积缺失也能准确反映出重定向图像的信息损失。另外,采用双向匹配机制一定程度上减少了像素匹配误差对实验结果的影响,有效提升了重定向图像质量预测的准确性。该方法对重定向图像的质量评价效果好,适用于重定向图像的质量预测及算法优化。

基于深层特征学习的可压缩感知及缝雕刻的图像重定向

多媒体技术的飞速发展推动了图像处理与显示设备的应用与发展,为了使图像在不同的设备上进行最佳显示,需要对图像的尺寸进行调整。因此,本文提出一种基于深层特征学习的可压缩感知及接缝雕刻的图像重定向方法。首先从预先训练的VGG-19网络中提取输入图像的深度特征图,从最深层开始计算特征图像的可压缩率,根据计算的可压缩率运用接缝雕刻的方法在特征域(Feature fields Seam Carving,FSC)调整特征图的大小,然后依次向较浅的层传播,得到所有特征层的重定向图像后,将输入图像对应于第一层特征图的去缝的位置处的像素去掉,得到原始图像的重定向图像。若没有达到目标图像的大小,最后再进行均匀缩放(scaling,SCL)。在RetargetMe数据集上分别进行主观与客观评估,结果表明,与其他方法相比,本文的重定向方法总体上实现了更好的性能。