论文部分内容阅读
当今社会,手机、平板电脑等智能移动设备已被广泛使用。显示器作为智能移动设备中人机交互不可或缺的界面,主要分为非自发光显示器和自发光显示器。有机发光二极管(Organic Light-Emitting,OLED)作为一种新兴的自发光显示器技术,不同于传统的非自发光显示器,每一个像素都可以提供光源,可以单独调节,易于有效控制电池消耗。因此,目前应用OLED自发光显示器的功率约束图像增强算法是一个研究热点。现有的功率约束图像增强算法有2个明显的不足之处。第一,现有的方法都是直接将整张图片进行调整,影响视觉感受。第二,省电的程度较小。因此,如何达到既不影响视觉效果,又可以使智能移动设备耗电量有效降低,是本文研究解决的问题。基于视觉心理学,显示器内容中的图像信息亮度的降低对人类视觉感受的影响比较大,而文本和空白等信息亮度的降低对视觉感受的影响相对较小。本文将移动设备显示器内容分成图像区域和非图像区域。目前最先进、使用最广泛的图像语义分割方法是全卷积网络(Fully Convolutional Networks,FCN),FCN进行图像区域和非图像区域的语义分割操作,出现了预测图片大面积错误和边缘分割不清晰的问题。为了解决以上问题,本文进行以下两方面的研究。(1)针对FCN方法存在的问题,对FCN进行改进,提出了一个基于上下文正则化的循环深度学习框架,此框架将图像区域和非图像区域分离出来。经过实验,本文提出的基于上下文正则化的循环深度学习框架对于FCN方法的大面积错误和边缘分割不清晰的问题有了较大的改善,在查准率、召回率等4个客观评价指标上都比FCN有所提高。(2)针对现有基于OLED显示器的省电方法中存在的问题,提出了图像区域保持不变,非图像区域进行像素亮度值降低的方法。根据上下文正则化的循环深度学习框架的分割结果,进行省电操作。此方法可以在有效保持图像质量的同时,使得显示器耗电程度可以随用户的使用偏好进行调节。实验表明,本文提出的方法在耗电量相同的情况下,主观和客观上均优于其他5种目前最先进的基于OLED显示器的省电算法。本文提出的方法能在省电的同时有效地保持图像质量,视觉感受更好。另外,在本文课题的研究过程中,开发了一个产生测试图像数据集的软件GTMaker,该软件不仅可服务于本课题研究,还可以为更多同行的类似研究服务。