基于缝裁剪和变形的图像缩放方法

提出一种既能保持图像重要内容又能较好地保持重要物体形状的图像缩放算法。该方法结合传统的缝裁剪技术和变形技术来对图像进行缩放。首先利用当前公认效果良好的基于图模型的流形排序显著性检测算法得到图像的显著度图,结合图像梯度能量等信息来构造结构更为清晰的图像重要度图;其次利用之前构造的图像重要度图并按缩放尺度的大小来确定适当的缩放方法;最后根据度量比较结果来选择经典缝裁剪方法或基于能量优化的变形方法进行图像缩放。对比实验结果表明,该方法在图像缩放时能保持重要内容和显著物体形状结构。     

一种基于Seam Carving的图像缩放方法

由于图像在不同环境下(特别是在文档中)出现时,常需要进行缩放与比例调整,人们对缩放质量提出了较高要求.许多典型的图像缩放方法都是对图像的像素直接进行转换,这使图像缩放的程度受到了限制.提出了一种改进的图像缩放算法,其基本思想是首先将进行原图像内容重要度计算,然后以动态规划为工具,充分利用图像内容的特点将图像进行缩放,这为图像缩放提供了一种思路.通过与传统的缩放算法做比较,验证了本算法能够获得更好的缩放效果,并通过对实验数据的分析和解释得到了若干有益的结论,为进一步的研究工作奠定了基础.     

基于DCT域视觉显著性检测的图像缩放算法*

为适应不同终端显示多样化的要求,需对接收到的图像进行缩放调整。针对现有的基于内容感知(content-aware)的图像缩放方法中视觉内容的连贯性易被破环而出现失真的问题,提出了一个基于离散余弦变换(discrete cosine transform, DCT)域的视觉显著性检测的图像缩放算法。该算法利用DCT域的视觉显著性检测模型获取视觉显著图,然后结合视觉显著图和能量分布图进行线裁剪(Seam Carving),实现了图像的缩放。实验结果表明,该算法与现有的基于内容感知的图像缩放方法相比,不仅保护了视觉显著内容,还保证了图像内容的连贯性,算法质量指数也获得明显的提高。     

基于Sobel算子和均匀插值的非线性缩放算法

针对图像缩放后产生的图像畸形与拉伸问题,提出一种基于Sobel算子和均匀插值的非线性缩放算法。通过图像能量区分出图像强势区域和弱势区域,在保护强势区域的同时,对弱势区域进行非线性均匀插值缩放。实验结果表明,该算法可解决图像缩放时主体区域产生的畸变问题,保证边缘区域的平稳过渡。     

动态规划的思想及其在图像缩放中的应用

动态规划经常用于求解某些具有最优性质的问题。如今随着对动态规划算法的日渐深入的研究,动态规划被用在生产调度等各个方面。该文介绍了动态规划的基本思想,包括动态规划模型的基本要素,动态规划的特点及设计一个动态规划算法的基本步骤。同时,结合Seam Caving图像缩放方法[1],具体介绍了动态规划算法在图像缩放方面的应用。     

基于边缘检测的保特征的图像缩放算法

针对Seam Carving算法在实现图像缩放的过程中,对图像边缘几何特征造成破坏的现象,提出一种基于边缘检测的改进Seam Carving算法。首先在Seam Carving算法计算低能量线的同时引入图像边缘检测,其次确定低能量线与边缘的交点,进而提升交点邻域的能量,分散过于集中的低能量线。仿真实验结果表明,该算法能够有效减少Seam Carving算法缩放图像后产生的畸变,很好地保持了图像的重要几何特征。     

显著物体形状结构保持的图像缩放方法

针对传统的缝裁剪图像缩放方法中可能出现对图像中显著物体形状结构的破坏问题,提出一种既考虑到显著物体内容保持又考虑到显著物体形状结构保持的新的图像缩放方法。该方法首先利用经典的图像显著度图模型,结合图像梯度直方图等信息构建形状结构更加清晰的图像重要度图;然后利用已构建的重要度图,对图像进行分块,按显著块的大小来确定缩放方法;最后结合经典缝裁剪方法和基于共形能量的变形方法对图像进行缩放。实验结果显示,该方法能够在图像缩放时更好地保持显著物体的内容和形状结构。     

能量均衡原则下的快速图像尺寸调整算法

为了实现高效的内容感知图像缩放,提出一种能量均衡原则下的快速算法.该算法采用多个低分辨率图像的水平垂直梯度能量的加权和计算像素能量;然后根据列能量自动选取若干较不重要的列,在能量均衡原则下对其宽度进行调整,得到内容感知图像缩放结果.实验结果表明,文中算法速度快,且能够有效地保护图像中的重点内容和主要结构.     

图像内容感知缩放的检测方法研究

针对可用于图像篡改的内容感知缩放技术,本文提出了一种基于概率Map图统计特征的内容感知缩放检测算法.该算法利用概率Map图来反映图像是否经过内容感知缩放操作,并利用新提出的积分投影与局部统计特征来检测篡改图像.而后利用分类器进行分类训练,从而有效识别基于内容感知缩放操作的图像篡改.实验结果显示,所提算法能够区分出原始图像与篡改图像,并具有较高的正确检测率.     

基于主体区域保持的图像缩放算法

基于插值运算的缩放算法和经典的缝裁剪算法是两种常用的图像缩放算法,传统的 缩放算法在缩放比例不一致的情况下其效果不佳,而缝裁剪算法在主体区域较大或者图像背景较 为复杂时对图像的主体区域会造成一定破坏。针对以上问题,提出了一种基于主体区域保持的图 像缩放算法,使用高斯差分对图像进行角点检测,利用角点产生凸包,根据凸包对图像进行主体 区域检测,计算能量图并对位于主体区域像素点的能量给予相应的权重,根据权重的不同对主体 区域进行不同程度的保护。实验结果表明,该算法能更好地保持图像主体区域。     

Real-time content-aware image resizing

Content-aware image resizing is a kind of new and effective approach for image resizing, which preserves image content well and does not cause obvious distortion when changing the aspect ratio of images. Recently, a seam based approach for content-aware image resizing was proposed by Avidan and Shamir. Their results are impressive, but because the method uses dynamic programming many times, it is slow. In this paper, we present a more efficient algorithm for seam based content-aware image resizing, which searches seams through establishing the matching relation between adjacent rows or columns. We give a linear algorithm to find the optimal matches within a weighted bipartite graph composed of the pixels in adjacent rows or columns. Therefore, our method is fast (e.g. our method needs only about 100 ms to reduce a 768 × 1024 image’s width to 1/3 while Avidan and Shamir’s method needs 12 s). This supports immediate image resizing whereas Avidan and Shamir’s method requires a more costly pre-processing step to enable subsequent real-time processing. A fast method such as the one proposed will be also needed for future real-time video resizing applications.     

Optimized image resizing using flow-guided seam carving and an interactive genetic algorithm

In this paper, we introduce a novel method for content-aware image resizing based on flow-guided seam carving. It extends the existing seam carving framework by replacing the conventional energy field with a “structure-aware” energy field that takes into account the feature orientations in the image. Guided by this new energy field, our approach excels in preserving (i.e., avoiding the distortion of) important structures in the image, such as shape boundaries. We also present a simple user interface to further optimize the resizing result based on the genetic selection process among multiple resizing operators such as scaling, cropping, and flow-guided seam carving. We show that such simple user interaction, coupled with the genetic algorithm, dramatically increases the chances of producing the user-desired outcome.     

基于相似性判据的图像尺寸调整算法

归纳图像调整过程中的相似性判据,提出一种基于相似性判据的图像调整算法。采用Seam Carving算法按一定调整量分步进行 图像尺寸调整,利用相似性判据判断调整图像的变形程度,当变形达到一定程度时,换用双向相似度迭代优化算法完成图像剩余尺寸的调整。实验结果表明,在图像调整量很大时,利用该图像调整算法仍可较好地维持图像的整体视觉效果。     

基于边缘的实时图像缩放算法研究

传统的基于图像边缘的插值算法由于自身的复杂性而很少用于实时图像处理,而不基于边缘的插值算法由于低通滤波的效应通常会使插值后的图像出现边缘模糊,影响视觉效果。针对上述问题,提出了一种基于边缘的自适应图像插值算法。该算法以相邻像素的二阶差分为基础,自动选择与目标像素点相对应的源像素组进行插值运算。在Matlab环境中实现了各种图像插值算法,然后对插值结果进行了主客观评价,并对各种算法获得的图像进行了边缘检测及复杂度分析。同时,设计了本文算法的硬件实现结构,并用Verilog语言进行描述,综合出目标代码,最后通过FPGA验证。研究表明,运用该算法插值获得了边缘清晰的目标图像,且该算法复杂度低,便于硬件实现。因此,该算法能有效地实现图像插值,适应于实时条件下的图像缩放。     

Semantic aware sport image resizing jointly using seam carving and warping

In content aware image resizing, saliency map or gradient is usually used to determine the important regions of images. But for sport images such as basketball and football images, these methods may falsely classify parts of court fields as unimportant regions, while parts of grandstands as important regions. Such results are not consistent with human perception. In this paper, a semantic aware image resizing approach is proposed. We extract the semantic information automatically. We segment the court fields as important regions and detect the boundary of court fields as the semantic edges. Considering the complementary characteristic of discrete image resizing approaches such as seam carving and continuous approaches such as warping, seam carving and warping are jointly used in our scheme. We define the Semantic Weight Function (SWF) based on the semantically important regions. Then semantic aware seam carving (SASC) is proposed based on the SWF. Next we define the Deformation of Semantic Edges (DSE) to assess the image deformation caused by seam carving. Finally seam carving and warping are joined using the DSE. We compare our approach with approaches like scaling, seam carving and semantic aware seam carving (SASC). Experimental results show that our approach preserves more semantically important regions with less deformation. Our approach also preserves the aspect ratio of key objects.