论文部分内容阅读
近年来,视频显示设备的种类和大小变化多样,这就要求同一个图像或视频常常需要改变其大小,显示在不同的设备上。传统的均匀缩放和裁切等方法没有考虑图像或视频内容,得到的结果不能令人满意。近年来基于内容感知的图像和视频重定向技术成为一大热点研究问题。本论文面向基于内容的图像重定向技术进行研究,提出了两种不同的图像重定向改进方法,具体包括:1、提出细缝上下文约束下快速细缝裁剪与Scaling相结合的多操作方法:考虑到连续方法和离散方法互补的特征,我们提出基于细缝约束下快速细缝裁剪改进方法与Scaling相结合的多操作图像重定向框架。首先,针对传统细缝裁剪方法存在的速度和伪影问题,将细缝上下文约束思想融合到细缝搜索的过程中,使得细缝能够进行合理的分配与扩散,避免细缝集中分布在图像某一区域,导致结果图像中出现不连续的人造伪影。另一方面,提出CAM图像质量评价方法获得图像降质阈值,当图像质量达到此阈值时,切换为Scaling方法将图像缩放至目标尺寸。对比实验结果表明,本方法无论从速度方面还是结果质量方面,都得到了很大改进。2、提出最优化网格形变的图像非均匀映射方法:首先将图像嵌入规整的四边形网格。然后,根据网格的重要度,对网格进行不同程度地缩放,尽量保护重要网格不发生形变。最后,变形后的网格映射入原始图像内容,获得目标结果图像。本文提出的图像非均匀映射框架,算法简单、有效,能够很好的保护图像中重要区域不发生形变,并且结果图像中不会引入明显的视觉上的人造伪影。一方面,通过建立一种新型的全局最优化模型,引入保护覆盖重要区域网格比例的能量项,并结合保护重要网格线方向,以及保护重要网格形状能量项。模型简洁、有效保护图像中关键对象的比例,使其不发生形变。另一方面,针对网格初始划分的问题,同样建立了一种新的最优化数学模型,使得重要网格分布密集,不重要网格分布稀疏。并且,使用矩形初始划分策略,来减少最优化系统求解变量,提高算法速度,有效地减少了图像中关键对象边界结构信息的拉伸变形,提高了结果图像质量。