2012移动结题报告

项目名称：终端动项目名称：终端动漫图片处理优选方案及面向移动终端的矢量素材处理的研究与实项目负责人：廖明承担单位：厦门大起止时间20131至201412结题时间：日一、结题（验收）项目成果简 二、项目成果摘 三、计划任务、考核指标及主要技一、结题（验收）项目成果简 二、项目成果摘 三、计划任务、考核指标及主要技术经济指标、计划执行评价五、成果转化情况，取得的经济、社会效益六、该项目的人才培养情况九、主管部门意见（注：教育部直属高校不填此栏）十一、专家组验收意见2⼀、结题（验收）项目成果3项目经费（万其中国拨150姓12345⼀、结题（验收）项目成果3项目经费（万其中国拨150姓12345678后博硕登国读记家士士论著物物告告告告告人数人数人数人数项册篇篇篇4220060043100404IS后博硕登国读记家士士论著物物告告告告告人数人数人数人数项册篇篇篇4220060043100404ISTEISCI二、项目成果摘要（不少于500字二、项目成果摘要（不少于500字52-12-2-2-12-2-6图2-图2-图2-图2-2-37图2-2-5.图2-2-5.8图2-62-图图2-62-图2-79图2-8图2-8图2-2-10图2-2-10图2-11.移动终端图2-11.移动终端矢量播放三、计划任务、考核指标及主要技术经济指标、计划执行评3.1三、计划任务、考核指标及主要技术经济指标、计划执行评3.11.3.2(a(b12(c12(c121233.33.3.11.参数调整工具都必须能够满足交互应用的需要，各个元操作的耗时尽量控制在3.3.211.参数调整工具都必须能够满足交互应用的需要，各个元操作的耗时尽量控制在3.3.21(f233.3.3(f233.3.3图3-1(1.1)均值:图3-1(1.1)均值:1:遍历项目中所有的像素点，通过欧拉距离计算两个像素值的距离，若距离小于阈值A，则将这两个点归为一类3:同样根据欧拉距离，计算每两个类的颜色均值的距离，若距离小于阈值B，则将这两个类归为一个大类5:endfor4:5:(1.2)指定颜色数输入:1:A256A个，即简化之A3256Ai简化为A*（i-1）+A/2(1.3)将图一按就近原则，转换成了16级灰度(直接把8bit灰度的后4bit砍掉)，图（c）1616（c）的效果明显好于图（b。其原因是使用的误差扩散算法，顾名思义，就图3-2误差扩散输入:1:256120图3-2误差扩散输入:1:2561200~255)，将这张图转换成16级灰度，最简单的方法是将每个像素点除以16，那么转换后的值就是120/16=7.5保留整数位后就是7。这样转换后的值就有了0.52:最简单的误差扩散方法是将这0.5的误差放到这个点右边/和下边的点加上(0.5*16)*3/8=3,把右下的点加上3:实际上，3:2:37:3:5:1的分法X3542X824841242Filter2系统中的亮度/对比度调24841242Filter2系统中的亮度/对比度调整的方案采用如同 (2.1)对比度增量，是按给定值的正负分别处理的，阈值范围设定在-150~150之G、B分量，Threshold为给定的阀值，ContrastnewRGB=RGB+(RGB-Threshold)*(1/(1-Contrast/255)-Contrast255时(RGBThreshold)*(11Contrast255)1)为无限RGB2550Threshold来2)newRGB=RGB+(RGB-Threshold)*Contrast/Contrast等于-255RGB(2.2)我们采用的是最常用的非线性亮度调整（PhoposhopCS3种亮度调整方式，CS3及以上版本也保留了该亮度调整方式的选项 图像亮度/对比度综合调整算(3.1)(3.1)表3-1测试环PVD(PreferredViewingDistance)表3-2以图像高度H计算的最佳观看距离和角20人左右，并且这些人没有(3.2)(a)表3-2以图像高度H计算的最佳观看距离和角20人左右，并且这些人没有(3.2)(a)双激励失真测量法(DoubleStimulusImpairmentScale3-3544Perceptibly,butnot33Slightly221两种方法的示意图。其中T1T1 T1T3 T1两种方法的示意图。其中T1T1 T1T3 T13-3DSIS方法评分过程图(a)方法一(b)(b)双激励连续质量测量法(DoubleStimulusContinuousQualityScale,段与DSIS方法中相同。T1T3 T13-4DSCQS打3-5DSCQS3-5DSCQS(c)单激励连续质量评价法(SingleStimulusContinuousQualityEvaluation, SS)不需要参考图像，只需展示测试图像。(d)刺激对比较方法(Stimulus- 评估的过程可以采用一个显示器或者两个并排的显示器。可以想象，SC方法法与评价尺度在JND(just- distortion)性能的法与评价尺度在JND(just- distortion)性能的评估上比较适用3-4SC(3.3)3-601233-73-73-83-9PSNRvsMOS(3.4)主观实验中，测试材料包括一系列的参考图像与测试图像集，用表示。参图像主观实验中，测试材料包括一系列的参考图像与测试图像集，用表示。参图像经过失真算法处理得到测试图像。主观分值处理中的平均主观分MOS(MeanOpinionScores)如公式3-1所示1NNuu=(3-在公3-1中，代表观察者的人数图像失真类型试图像的评价分数DMOS差平均主观分数(DifferenceMeanOpinionScores,DMOS)也是经常质量越好在最终的实验结果上，置信区间是必不可少的，一般是采用标准差及样个数计算得到。通常采用的95%的置信区间计算为，其中Sd(3-N标准差的计算公式为(u-N (3-在图像质量评价中，会得到大量关于图像的主客观分值，如何对这些数进行处理与分析是确保实验结果正确与否的关键。如果得到的主观数据的范0~100内，可以用公式3-4进行归一化处理score=RawDifferenceScore-(3-Max-其中Max代表该评价者的最大原始分数，Min代表该观测者的最小原始数客观数据分析可以从非线性回归分析和加权回归分析进行。客观数据和察者的主观数据之间存在一定的非线性关系，在VQEG提出的性能评价方中，所有检验属性的度量都是在补偿了这个非线性映射之后进行的。非线性归消除了不同算法在量纲和单位上的差异，使比较结果更为准确。本文采用5Logistic函数[41]，Y为主观预测值，X+bX+Y45(3-|b 31+(a)关于质量模型预测5Logistic函数[41]，Y为主观预测值，X+bX+Y45(3-|b 31+(a)关于质量模型预测的准确这个性质是从平均意义上来说的。常用的指标有Pearson线性相关系数(CorrelationCoefficient,CC)，均方根误差(RootMeanSquareError,RMSE)和平均绝对误差(MeanAbsoluteError,MAE)，这三个计算公式分别如下：（1）Pearson线性相关系数，其中Xi、Yii个评价图像的预测主观分数SSpSS，n表示评价图像的总个数；X、Y表示SSpSSn(Xi-X)(Yi-YCC= n(3-n22(X-X (Y-Yii（2）均方根误差1nn2RMSE(X-Y(3-ii（3）平均绝对误差nMAE=1X- (3-n(b)关于质量模型预测的单调Spearman等级相关系数(RankOrderCorrelationCoefficient,ROCC)n 2 (RX-RYiROCC(3-n 2 (RX-RYiROCC(3-(c)关于质量模型预测的一致的个数与所有点的个数的比值。离出率(OutlierOR=n(3-110图3-.图3-.图3-1.图3-1.图3-1.I(WHP,W是图片的宽度，H是图片的高,P图3-1.I(WHP,W是图片的宽度，H是图片的高,Psp˛SPspi(rsgs,bsxsysn)到超像素集合SPspi i1 rk,,b,x,y。本文定义Sp(rs,gs,bs,xs,ys) kkinikk k k k可知S(pi)S(pj)SI(spk)。P/¶˛N(1,2,3,4……)¶的取值主要是根每个超像素spi˛SP条阻隔，则设定e(ij˛Espispjspispj不可达。SPE，并将G<V,E>定义SPE，并将G<V,E>定义了所有超像素的拓扑结构。对于spi˛SPE，只要spi能在G中spi˛SPE-F。函数用来评估spi到达SPB每一步的最优选择。该函数定义为：f(spj)=g(spj)+h(spj)，spj˛SPande(i,j)˛Eing(spj)=dist(spi,spj)=(xs-xs)2+(ys-ys h(spj)=min(dist(spj,spk))spk˛spi˛SPEf，可以快速的寻找出一条路径,spi˛SPE-B，否˛SPE-F。这样就将与线SPESPE-BSPE-F两部分SPE中，SPE-B是属于图片的背景部分，SPB-F属于图SI(spi)D(spi,spj)*w(spi"spj˛SPE-D(spispkRGBD(spi,spj)=(rs-rs)2+(gs-gs)2+(bs-bs D(spi,spj)=(rs-rs)2+(gs-gs)2+(bs-bs SPE-F作为图片的前景，相比SPE-B中的超像素拥有更高的显著性值，所w(spi)用来重新评估SPE-F中超像素的显著性特征值，w(spi)定义如下sf(spi)-minsp˛SPE-F{sf(spi +d,sp˛SPE-w(sp)=i{sf(sp)}-{sf(spisp˛SPE-isp˛SPE-iii1,spˇSPE-ispj˛SPE-sf(spi)D(spi,spj通过计算SPE-F中超像 与SPE-F中其他超像素RGB距离之sf(spi，并将其结果归一化到[0,1]时设定系d˛(3,5)，这样对于spi˛SPEF就会有较高w(spi)值，而spiˇSPEFw(spi)=1计算局部显著性由于得到的全局显著性图的并未能完全将显著性特征都识别出来，尤其人物或者物体内部的颜色与背景的颜色特别相近时。为了解决这个问题，本提出了“Saliencyflood”的方法，利用SPE-F重新评估局部显著性值。对于然后从sq-queue取出一个超像spiG中找到与spi相邻的超像素spj。果spi˛SPE-FSI(spjSI(spi,否则设置SI(spiSR(spispjspsq-queuesq-queue为空。其中SR(spi,spj是根据超像spi与spjRGB空间上颜色的差别来判定SI(spj的显著性值，D(sp,sp SI(sp)=SR(sp,sp)=SI(sp)-j i3*Saliencyflood算法描述如下AlgorithmSaliency2:Output:Saliencymap(SI)3:fori=1AlgorithmSaliency2:Output:Saliencymap(SI)3:fori=1fiMinSPE-Addspitosq-5:end6:whilesq-queueisnotemptysq-whilefinde(sp,spj)inGdoifspjisvisitedthengotolabel8ifsp˛SPE-thenSI(spj)=elseSI(spj)=SR(sp,spj)addspjtoSP-Queue17:一化到[0,255]位置信息，使得离对比度高的附近也具有较高的显著性特征值。SF和DSR图3-1.显著性检图3-1.显著性检测的结果：(a)原图bC(),dC,(()S)(1+b2)PrecisionReFbbPrecision+Re(1+b2)PrecisionReFbbPrecision+Re为了强调正确率，设置b20.3)图3-.a)(b)F2轴的缩放因子分别记作sx和sy。然后根据图像p角网格结构，记作 。我们通过计算与 pp目标网格Mq来达到图像适配的目的，因为目的图像Iq可以从目标网格MqMp到目标网格Mq的变3-5.3-5. 配后坐标为qtq0q1q2，则它们之间存在着一个依赖于q的关联雅可比矩阵 tJt(qJt(q)T 2Er A||J(q)-RttsinqR=-sin:q˛[0,2p条的形状。对于给定特征曲线CP上的三个连续特征点CP,CPsinqR=-sin:q˛[0,2p条的形状。对于给定特征曲线CP上的三个连续特征点CP,CP 的两条边之间的关系可描述为 -Cp=rR(CP-CP),，其中r为CPCPP i ii+1 =Ri i为角度为 Ec=|| - )-rR -c)q i st2EssA||R-RtsAst(AsAt2,sst(ss+st2E=Er+wcEc+wsEc+ws3-6.33-6.3图3-1.图3-1.和Cr（图3-11(b)束；以及一组模糊控制节点S（3-11(c)束；以及一组模糊控制节点S（3-11(c)，定义曲线所分割两个区域之间颜色光滑过渡方式。最后，该曲线将对每一边的颜色进行扩散并通过模糊在越曲线时达到柔和的过渡（3-11d3-8.(a)扩散曲线的构成(a)用贝塞尔样条描述的特征曲(b值(经过扩散和模糊得到的最终效这样，通过添加上述的颜色属性信息，我们就可以将动漫图片的颜色信息紧的记录在扩散曲线上，在进行渲染时，可以根据这些记录的颜色信息重现具通过扫描转换得到一个颜色源图像C（该图像将颜色约束表示为贝尔样条两边的颜色曲线，而其他区域未有着色）以及定义在曲线上的颜色梯约束xy方向颜色梯度Wx和Wy将颜色源的信息扩散到整幅图像；有了颜色源和梯度场后，我们接来就可以通过一个稳定态扩散过程在梯度约束下将颜色源扩散到整幅图像，个扩散过程可以表示为一个泊松方程的解，这里的颜色个扩散过程可以表示为一个泊松方程的解，这里的颜色源转化为该方程的为部约束DI=div若像p(xy存有颜色信I(xyC(xy,式中D和div分别表示散度算子对扩散后的图像应用模糊操作得到最终结果。通过前面的颜色扩散们得到了一张在曲线处尖锐过渡的颜色图像，这里我们再根据存储在曲线上模糊值对颜色图像应用一个模糊操作。我们首先通过一个类似的扩散过程由线上的模糊值生成一张模糊图，该过程最终也是归结为泊松方程的求解，区在于我们并不需要用到梯度信息DB=B(xy)s(x,y若像p(x,y位于曲线3-.基于扩散曲线的矢量图渲染流2)动漫特征线条的统一提如前所述，已有大多数动漫内容都是以位图的形式存储的，有必要提供种半自动化的工具将已有的动漫高效的转化为矢量形式。对于基于扩散曲线转化来说，这个过程可以分为两步：首先确定动漫图像中用于矢量编码的主要，直接影响着后续编码过程以及最终矢量化效果。特征线条是动漫图片中于刻画内容的主要方式，因此，也是进行扩散曲线Bezier拟合的最好候选如何提取动漫特征则是我们首要解决的问题。如图3-20所示，在矢量型动3-.3-.3-21为W2*wb3-22们设定f(x)表示边界曲线的曲线方程，其中w表示曲线的宽度，h26,为W2*wb3-22们设定f(x)表示边界曲线的曲线方程，其中w表示曲线的宽度，h26,x<-wb|x|£x>wb0fb(x)=x（3-+hbrb(x)=gd(x)*fbx-e2sx1g(x)（3-d--e2sg'(x)x-e2sx1g(x)（3-d--e2sg'(x)（3-d3x-x2-sg''(x)e2s（3-d5通过公式3-2—公式3-5，我们可以得出边界曲线同高斯函数卷积后的一导数及二阶导数在不同尺度因子s下的几何图像如图3-23所示（a）卷积后的一阶导（b）卷积后的二阶图3- 边界曲线同高斯函数卷积后的一阶和二阶偏导数几何图装饰曲线，往往会在特征识别的过程中被忽略，装饰曲线对于局部区域特征起到很大的作用。这种作用在卡通形象的刻画上体现得尤为明显。正是于这些装饰性的线条，增加了卡通人物的生动性与真实性而颇受人们的喜爱装饰曲线的结构为脉冲型，其周围的灰度变化呈现为抛物状变化。即其在很多基于梯度运算的特征识别算法中，无法识别装饰曲线图3- 脉冲型边缘灰度变化及其图3-25)3-25)fd(x)=（3-0|x|>d|x|£wdf(x)（3-d0|x|>drd(x)=gd(x)*fd(x)=-h(rd(x)=gd(x)*fd(x)=-h(fs(x+wd)-fs(x-wdrd'(x)=gd'(x)*fd(x)=-h(gs(x+wd)-gs(x-wdrd''(x)=gd''(x)*fd(x)=-h(g(x+'')-g(x-ws d-f(x)=xs2有公式2-7—公式2-11，可以得出装饰曲线同高斯函数卷积后的一阶导数（a）卷积后的一阶导（b）卷积后的二阶导装饰曲线同高斯函数卷积后的一阶和二阶偏导数几何图3-3)矢量创作系统开发集基于前述研究的成果，我们开发了一个内容敏感的动漫图像终端适配系统系统支持对动漫图片区域重要度的指定，支持对动漫图像保特征的实时适配，3-27图3-7.3.4表3-5分项完成率图3-7.3.4表3-5分项完成率小于15%利申报和获奖情况[1]JuncongLin,JiazhiXia,XingGao,MinghongLiao,YingHeXianfengGu,InteriorStructureTransferviaHarmonic1-forms,利申报和获奖情况[1]JuncongLin,JiazhiXia,XingGao,MinghongLiao,YingHeXianfengGu,InteriorStructureTransferviaHarmonic1-forms,Toolsandapplication(JCR4、CCFC18June,[2]JuncongLin,QianSun,GuilinLi,YingHe.“SnapBlocks:a[3]JuncongLin,XingGao,MinghongLiao,Jiazh