基于均值平移分割的图像重定位

摘? ????要 随着科技社会的发展，移动通信设备，比如手机和PDA，越来越普遍。这些设备通常有图像显示功能。通常拍摄的图片比这些移动设备的屏幕要大很多，造成不能显示或者畸变显示(压瘪或者左右收缩显示)。 因而，使拍摄的图片能正确显示在小屏幕而不产生畸变或者不丢失信息显得尤为重要。图像重定位的一个传统方法是直接缩放图像尺寸以适应目标屏幕，这也是目前大部分手机、PDA等移动终端广泛采用的解决方案。然而当原始图像分辨率和目标屏幕尺寸比例不匹配时，通过直接缩放所获得的适应图像会产生整体的比例失真，导致重要物体的严重扭曲。 本文重点介绍如何进行图像重定位。图像重定位是一种通过分割出目标图像重要对象，按照显示大小要求重新规划背景大小，然后按照背景大小粘贴目标图像重要对象的方法。该方法能有效解决因大小问题而不能显示、滚动显示或者畸变显示的问题。图像重定位在实际应用中也比较多，现在手机上网用户的增多，对图片无畸变的处理变得更加重要。图像重定位的关键步骤是图像分割，因此，本文首先介绍图像分割的概念和方法，对各种图像分割进行分类介绍和讲解，包括经典图像分割和彩色图像分割，本系统主要用到彩色图像分割。接着，介绍了图像识别和图像定位的基础知识，然后，介绍了两种图像重定位的方法，其中包括自己用到的方法。最后介绍了根据算法流程做的一个系统，简述了操作步骤。实验图片显示，本系统做的图像重定位是有效的。 关键词：图像重定位? 均值平移分割? 图像剪切? 定位重点区域? 图像粘贴 1.1研究背景 随着信息时代的来临,数码相机、摄像机等电子产品正日益普及，人们能够非常方便地利用它们拍摄出高分辨率的数字图像。了解信息共享和交流的需要，人们通常需要把这些图像显示在手机、PDA 等移动设备上。但由于源图像分辨率和显示终端屏幕尺寸的差异，一个关键的问题是如何在快速显示图像内容的同时突出图像中的显著区域或重要物体信息。这个问题被称作图像重定位，即如何将高分辨率的图像更好地显示在较小的屏幕上。 1.2研究现状 图像重定位作为一个新起的方向，越来越受到关注。国外很多学者和研究机构对图像重定位作了深入的研究，已经有了较成功的算法，但是没有成熟的重定位的应用软件。国内对图像重定位的研究是起步阶段。因此，图像重定位是很值得研究的领域。 1.3图像重定位概述 图像重定位的一个传统方法是直接缩放图像尺寸以适应目标屏幕，这也是目前大部分手机、PDA 等移动终端广泛采用的解决方案。然而当原始图像分辨率和目标屏幕尺寸比例不匹配时，通过直接缩放所获得的适应图像会产生整体的比例失真，导致重要物体的严重扭曲。 有效的图像重定位算法应该能够在反映图像基本内容的基础上突出图像中的重要信息，从而保证观察者对图像的正确理解。为了突出图像中的重要物体，现有的方法一般基于用户的视觉关注度(visual attention)来标识图像上各个区域的重要度，然后针对各区域重要度的差异分别进行不同的处理。 利用绘制重点区域的图像重定位方法可以分为3类：第一类方法是在不同的图像区域间使用导航功能[1,2]，根据各区域重要度的优先级通过自动序列化显示这些区域，重要的区域首先显示，然后顺序显示非重要区域。但是该类方法不适合对大量图像的快速浏览。为了克服这个缺点，第二类方法是利用图像信息的冗余性，尝试通过裁剪显示整幅图像，例如文献[3?5]中提出的方法仅仅关注图像中最重要的区域，裁剪掉冗余的信息而生成适应图像，此类方法往往完全丢弃图像中大量的背景信息，不利于用户对图像的理解。第三类是对图像应用类似鱼眼效果的非均匀变换[6]，从而增强图像中的显著物体，同时压缩其余部分，该方法的不足之处在于只能处理包含单个显著物体且位于图像中心的情况，并且容易扭曲边界附近的图像结构。 均值平移分割 Mean Shift这个概念最早是由Fukunaga等人于1975年在一篇关于概率密度梯度函数的估计中提出来的。其最初含义正如其名，就是偏移的均值向量。在这里Mean Shift是一个名词，它指代的是一个向量，但随着Mean Shift理论的发展，Mean Shift的含义也发生了变化。我们所说的Mean Shift算法，一般是指一个迭代的步骤，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束。 然而在以后的很长一段时间内Mean Shift并没有引起人们的注意。直到20年以后，也就是1995年，另外一篇关于Mean Shift的重要文献才发表。在这篇重要的文献中，Yizong Cheng对基本的Mean Shift算法在以下两个方面做了推广：首先Yizong Cheng定义了一族核函数，使得随着样本与被偏移点的距离不同，其偏移量对均值偏移向量的贡献也不同；其次Yizong Cheng还设定了一个权重系数，使得不同的样本点重要性不一样，这大大扩大了Mean Shift的适用范围。另外YizongCheng指出了Mean Shift可能应用的领域，并给出了具体的例子。Comaniciu等人把Mean Shift成功的运用到特征空间的分析，在图像平滑和图像分割中Mean Shift都得到了很好的应用。Comaniciu等在文章中证明了，Mean Shift算法在满足一定条件下，一定可以收敛到最近的一个概率密度函数的稳态点，因此Mean Shift算法可以用来检测概率密度函数中存在的模态。 3.1.1 Mean shift理论 Mean shift方法是一种非参数的核估计方法。它利用核函数的性质，无需对整个区域的概率密度进行估计，利用窗口内点x的密度梯度估计，导出均值迁移矢量作为核窗口移动步长，通过迭代实现密度极大值搜索。Mean shift方法在实际应用中具有很高的效率和很好的稳定性。