CN102253800B - 一种有效的图像自适应方法 - Google Patents

Abstract

一种有效的图像自适应方法通过图像距离评价方法将现有的细缝裁切方法和非均匀映射方法融合在一起。本方法首先采用细缝裁切的方法对图像进行裁切，每抽取一条细缝后计算当前图像与参考图像的距离，该距离由重要信息变形函数表征，由移除细缝后剩下的重要像素的子图像平均图像差分和被移除重要像素的平均能量损耗加权得到；通过重要信息变形函数评价自适应后图像相对于参考图像的形变程度，通过移除细缝后的重要信息变形函数值的平均值计算平均信息变形差值。当重要信息变形函数的值超过平均信息变形差值时终止细缝裁减方法，改用非均匀映射方法直到得到目标大小的图像。本发明不仅移除图像中非重要区域，并且有效地保持了缩放后图像中重要物体的比例和细节，实现了综合最优的图像自适应。

Description

一种有效的图像自适应方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于图像距离评价的图像自适应方法的研究及实现。

背景技术

随着移动设备的普及，电视、笔记本电脑、PDA、手机等适用于不同网络的终端设备不断换代更新，不同类型不同尺寸的显示终端不断涌现以适应各种不用的用户需求。为了保证持不同设备的用户都能够舒适地观看同样的图像内容，这就要求图像内容能够自适应于不同尺寸、不同比例的用户终端，研究保持图像主要内容的自适应技术具有重要的应用意义。

目前基于图像内容的图像大小自适应方法主要有非均匀映射(Non-homogeneous Warping)方法，基于细缝裁切(Seam Carving)的方法等。

二维的非均匀映射方法首先由用户设定一些需要保持形状的感兴趣区域，在进行图像缩放时，感兴趣区基本上采取相似变换，而其它区域则采取非线性变换，当然感兴趣区形状保持的代价是其它背景区域更大的变形。但这种方法只能压缩而不是去除非重要区域，当图像/视频中有大量非重要区域时，处理效果不理想。

基于细缝裁减方法特点是能够最大限度的保持图像中的重要区域，去除最低能量区域。但是当图像中的不重要信息全部去除后，继续采用细缝裁减方法势必会带来重要信息的损失和对象变形，从而导致图像视觉质量快速下降。

发明内容

本发明要解决的技术问题是提供一种适用于不同尺寸用户终端的图像自适应技术，使图像能够自适应地在不同终端上显示图像内容，尽可能多的保持原始图像中重要内容，保持关键对象无畸变，保持图像中的重要结构即空间位置关系相对不变，以保证最佳主观观赏质量。

由于目前各种图像自适应的方法有各自的优缺点和局限性，本发明提供一种图像大小自适应方法，它基于内容相关的图像距离评价方法，将细缝裁切方法和非均匀映射方法有机的融合在一起。本方法首先采用细缝裁切的方法对图像进行裁切，每抽取一条细缝后计算当前图像与参考图像的距离，该距离由重要信息变形函数表征，由移除细缝后剩下的重要像素的子图像平均图像差分和被移除重要像素的平均能量损耗加权得到；通过重要信息变形函数评价自适应后图像相对于参考图像的形变程度，通过移除细缝后的重要信息变形函数值的平均值计算平均信息变形差值。当重要信息变形函数的值超过平均信息变形差值时终止细缝裁减方法，改用非均匀映射方法直到得到目标大小的图像，从而实现图像大小的自适应。

为了实现上述问题，本发明提供了一种有效的图像自适应方法。该方法包括：

1)输入大小为M×N的原始视频序列图像作为参考图像，并设定输出图像的目标尺寸为M′×N′。

2)提取参考图像中的重要像素信息。多数情况下，图像中相对重要的像素存在于图像的细节信息中，我们采用边缘检测提取细节信息即边缘像素信息，并用阈值法来将重要像素置为0，非重要像素置为1。并参考这些信息作为进一步计算重要信息变形函数的评价参数。

进一步地，所述步骤2)具体包括：

①将参考图像转化为灰度图像，用函数g(x，y)表示。其中，(x，y)表示像素点在图像中的坐标，g(x，y)表示坐标为(x，y)的像素点的灰度值。

根据参考图像中每一个像素点的R(红色)、G(绿色)、B(蓝色)分量值R(x，y)、G(x，y)、B(x，y)来计算灰度图像的灰度函数g(x，y)，灰度计算公式为：

g(x，y)＝0.299×R(x，y)+0.587×G(x，y)+0.114×B(x，y)

②对上述步骤中的灰度图像进行十字中值滤波

具体十字中值滤波方法，具体参见‘科学出版社’出版、孙即祥编著、2005年1月第二版《图像处理》162页。

③应用sobel算子得到灰度图像的边缘

sobel算子的计算方法，体参见‘科学出版社’出版、孙即祥编著、2005年1月第二版《图像处理》172页。

④计算上述边缘图像的平均灰度值Ave_Gray和方差Var_Gray，计算方法如下，

$\mathrm{Ave}\_\mathrm{Gray}=\frac{1}{\mathrm{MN}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}g(x,y);$

$\mathrm{Var}\_\mathrm{Gray}=\frac{1}{\mathrm{MN}}\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{(g(x,y)-\mathrm{Ave}\_\mathrm{Gray})}^2$

⑤计算阈值r₀：r₀＝Ave_Gray+Var_Gray

⑥提取参考图像中的重要像素信息，通过如下阈值法得到二值图像函数b(x，y)， $b(x,y)=\left\{\begin{array}{cc}1& g(x,y)<r_0\\ 0& g(x,y)\&GreaterEqual;r_0\end{array}\right.,$ 其中值为1的像素为重要像素。

3)初始化，具体包括：

①初始化状态方程：ASF(x，y)＝0

其中，累计状态方程ASF(x，y)记录2)⑥中得到的二值图像中每个重要像素点的状态值，初始时图像中所有重要像素的状态值为零；

②初始化布尔函数值：BOOL＝0

布尔值用来判断是否计算步骤8)②中平均信息变形值。

4)应用细缝裁切方法

即采用细缝裁切方法在参考图像中找到一条能量值最小的细缝并去除，在当前二值图像中相应的位置去除该条细缝；

5)监测当前图像尺寸大小

计算当前图像的长和宽，即每当移除一条细缝，则相应的减少图像的宽度或者高度，若当前图像尺寸达到目标尺寸，则跳至最后一步；否则，继续向下执行

6)更新重要像素状态

当一条细缝被移除后，更新ASF(x，y)的状态值。假设某二值图像b(x，y)中的一条细缝被移除，该细缝上的重要像素b(x_u，y_v)相应的被移除了，它的8邻域中有K个重要的像素，分别为b(x_u1，y_v1)，b(x_u2，y_v2)，L L，b(x_uk，y_vk)。仅更新与被移除的重要像素相邻的没有被移除的8个像素中的重要像素的状态，即邻域中这K个重要像素相应的ASF的值分别相应加1；其他像素状态不变，即ASF值不变。计算公式如下：

$\left\{\begin{array}{c}\mathrm{ASF}(x_{u1},y_{v1})=\max \{\mathrm{ASF}(x_{u1},y_{v1}),\mathrm{ASF}(x_u,y_v)\}+1\\ \mathrm{ASF}(x_{u2},y_{v2})=\max \{\mathrm{ASF}(x_{u2},y_{v2}),\mathrm{ASF}(x_u,y_v)\}+1\\ \mathrm{LL}\\ \mathrm{ASF}(x_{\mathrm{uk}},y_{\mathrm{vk}})=\max \{\mathrm{ASF}(x_{\mathrm{uk}},y_{\mathrm{vk}}),\mathrm{ASF}(x_u,y_v)\}+1\end{array}\right.$

其中，(x_u，y_v)表示被移除的重要像素，

(x_uk，y_vk)表示被移除的重要像素相邻的没有被移除的8个像素中的重要像素，1≤K≤8；

7)计算重要信息变形函数值

一条细缝被移除后，通过计算当前图像与参考图像的距离来评价图像缩放后的质量，该距离由重要信息变形函数IIDF表征。

当一条细缝移除后，更新重要像素的状态。重要像素有两种可能的状态：一种是重要的像素被移除了，另一种是重要像素被保留下来。对于剩下的重要像素，计算所有重要像素的子图像的平均图像差分值ADSI来表征细缝移除带来的影响；对于被移除的重要像素，这个像素将不能用于计算子图像的平均图像差分值，因此引进平均能量损耗ALE来表征移除重要像素带来的影响。通过平均图像差分ADSI和平均能量损耗ALE定义重要信息变形函数IIDF，用于评价自适应后图像相对于参考图像的变形程度。

①计算平均子图像的差分值ADSI

当一条细缝移除，一些重要像素被遗留在当前图像中，以每一个剩下的重要像素为中心取一个大小为(2H+1)×(2H+1)的子图像窗口，计算这个窗口中细缝移除前后像素灰度值变化的平均值。然后遍历所有剩下的重要像素，计算得到所有剩下的重要像素的子图像的平均图像差分值。计算公式如下：

$\mathrm{ADSI}=\frac{1}{{\mathrm{NUM}}_{\mathrm{IP}}}\underset{(x,y)\&Element;C_{\mathrm{IP}}}{\mathrm{\&Sigma;}}\frac{1}{{(2H+1)}^2}\underset{i=-H}{\overset{H}{\mathrm{\&Sigma;}}}\underset{j=-H}{\overset{H}{\mathrm{\&Sigma;}}}|s(x_{\mathrm{cur}+i},y_{\mathrm{cur}+j})-f(x_{\mathrm{ori}+i},y_{\mathrm{ori}+j})|$

其中：C_IP表示当前图像中重要像素的集合，

NUM_IP表示当前图像中重要像素的总数，

(x_cur，y_cur)表示移除细缝后剩余的重要像素，

s(x_cur，y_cur)为移除细缝后剩余的重要像素对应的灰度值，

(x_ori，y_ori)表示移除细缝后剩余的重要像素在细缝移除前的图像中所对应的像素，

f(x_ori，y_ori)为移除细缝后剩余的重要像素在细缝移除前所对应的灰度值，

H为正整数，通常取值大小为1或2，

i，j为子图像窗口中的像素点相对于图像窗口中心像素的位移。

②计算平均能量损耗值ALE

累计状态方程中记录了重要像素状态的变化，所以用平均能量损耗来衡量移除重要像素带来的影响。计算公式如下：

$\mathrm{ALE}=\frac{1}{{\mathrm{NUM}}_{\mathrm{IP}}}\underset{(x,y)\&Element;C_{\mathrm{IP}}}{\mathrm{\&Sigma;}}\mathrm{ASF}(x,y)$

其中：C_IP表示当前图像中重要像素的集合，

NUM_IP表示当前图像中重要像素的总数；

③计算重要信息变形函数值(IIDF)，计算公式如下：

IIDF＝α×ADSI+β×ALE，β＝1-α，0＜α＜1，0＜β＜1

其中：α，β为加权因子，通过实验选择较优的加权因子数值，

ADSI，ALE由上述步骤①、②求得；

8)判断何时停止细缝裁切方法

采用平均信息变形差值

作为判断细缝裁切方法停止的依据。平均信息变形差值

表示当前图像与参考图像的平均距离，即每次移除细缝后得到的重要信息变形函数值IIDF的平均值，当该距离大于设定的阈值时，认为细缝裁切方法不能够满足要求，需要采用非均匀映射方法将当前图像映射至目标大小；当该距离小于设定的阈值时，认为细缝裁切方法能够满足要求，可以继续采用。

①判断布尔函数的值，若其值为零，则继续执行下一步骤，计算平均信息变形值。若其值不为零，即BOOL＝1，则跳过计算平均信息变形值的步骤，跳转至步骤8)中的④，进入拟合直线步骤。

②计算平均信息变形值： $\stackrel{\&OverBar;}{\mathrm{IIDF}}=\frac{1}{X_p}\underset{0}{\overset{X_p}{\mathrm{\&Sigma;}}}{Y}_p,$

其中，Y_p表示抽取p条细缝后对应的IIDF的值，X_p表示抽取的细缝的总数，当p＝0时，X_p＝0，Y_p＝0；

平均信息变形值用来判断下个步骤中拐点是否产生。

③若将布尔函数置为1，首个满足

的点P(X_p，Y_p)记为拐点Q(X_q，Y_q)，从拐点Q开始记录点(X_p，Y_p)，将这些点组成集合{(X_t，Y_t)，t＝q+1，q+2，K q+r}，然后跳转至步骤4)；

若

保持布尔函数值为零不变，跳转至步骤4)；

其中，阈值T₁表示直线OP相对坐标系中水平坐标轴的偏离程度，T₁∈[0.03，0.05]。

④用点的集合{(X_t，Y_t)，t＝q+1，q+2，K q+r}拟合直线Y＝kx+b。

⑤计算平均信息变形差值： $\stackrel{\&OverBar;}{{\mathrm{IIDF}}_{\mathrm{dis}}}=\frac{1}{r}\underset{t=q+1}{\overset{q+r}{\mathrm{\&Sigma;}}}\frac{|{\mathrm{kX}}_t-Y_t+b|}{\sqrt{1+k^2}}$

即上述步骤④中的点集中所有点相对于Y＝kx+b的平均距离，若这个距离用于判断是否停止细缝裁切方法。

其中，(X_t，Y_t)是上述步骤④点集中的所有点，

k是拟合曲线的斜率，b是拟合曲线的截距；

⑥若

则跳转至步骤4)；

若

细缝裁切方法停止，采用非均匀映射方法将当前图像映射至目标大小，并继续执行；

其中，阈值T₂表示拟合直线Y＝kx+b相对坐标系中水平直线x＝X_n的偏离程度，T₂∈[0.03，0.05]。

9)将大小为目标尺寸的图像输出

附图说明

图1为实施例中一种有效的图像自适应方法的整体流程图

图2为实施例中一种提取重要像素信息过程的流程图

图3为实施例中细缝移除之前和移除更新后的ASF状态值

图4为实施例中应用图像自适应方法前的原始图像和其重要像素提取图像

图5为实施例中细缝抽取个数与细缝抽取后对应的重要信息变形函数值IIDF的关系曲线

具体实施方式

下面将结合附图及实施例对本发明的技术方案进行更详细的说明。

技术方案的整体流程如说明书附图1所示，本实施例是针对原始图像大小为333*500像素的BMP位图进行的。

1)读入大小为333*500的原始图像作为参考图像，说明书附图4(1)，其高为333像素，宽为500像素。并设定输出图像的目标尺寸，其大小为333*250像素。

2)如说明书附图2所示，提取参考图像中的重要像素信息，具体包括：

①将参考图像转化为灰度图像，用函数g(x，y)表示

②对上述步骤中的灰度图像进行十字中值滤波

③应用sobel算子得到灰度图像的边缘

④计算上述边缘图像的平均灰度值Ave_Gray和方差Var_Gray

⑤计算阈值r₀：r₀＝Ave_Gray+Var_Gray

⑥提取参考图像即说明书附图4(1)中的重要像素信息，通过如下阈值法得到二值图像函数 $b(x,y),b(x,y)=\left\{\begin{array}{cc}1& g(x,y)<r_0\\ 0& g(x,y)\&GreaterEqual;r_0\end{array}\right.,$ 其中值为1的像素为重要像素

其结果图像如说明书附图4(2)所示，其中灰度值为1的像素点为重要像素，其余像素点为非重要像素。

3)初始化，具体包括：

①初始化状态方程：ASF(x，y)＝0

②初始化布尔函数值：BOOL＝0

4)应用细缝裁切方法

即采用细缝裁切方法在参考图像中找到一条能量值最小的细缝并去除，在当前二值图像中相应的位置去除该条细缝；

5)监测当前图像尺寸大小

计算当前图像的长和宽，若当前图像尺寸为333*250，则跳至最后一步；否则，继续向下执行

6)更新重要像素状态

当一条细缝被移除后，更新ASF(x，y)的状态值。假设某二值图像b(x，y)中的一条细缝被移除，该细缝上的重要像素b(x_u，y_v)相应的被移除了，它的8邻域中有K个重要的像素，分别为b(x_u1，y_v1)，b(x_u2，y_v2)，L L，b(x_uk，y_vk)。仅更新与被移除的重要像素相邻的没有被移除的8个像素中的重要像素的状态，即邻域中这K个重要像素相应的ASF的值分别相应加1；其他像素状态不变，即ASF值不变。计算公式如下：

$\left\{\begin{array}{c}\mathrm{ASF}(x_{u1},y_{v1})=\max \{\mathrm{ASF}(x_{u1},y_{v1}),\mathrm{ASF}(x_u,y_v)\}+1\\ \mathrm{ASF}(x_{u2},y_{v2})=\max \{\mathrm{ASF}(x_{u2},y_{v2}),\mathrm{ASF}(x_u,y_v)\}+1\\ \mathrm{LL}\\ \mathrm{ASF}(x_{\mathrm{uk}},y_{\mathrm{vk}})=\max \{\mathrm{ASF}(x_{\mathrm{uk}},y_{\mathrm{vk}}),\mathrm{ASF}(x_u,y_v)\}+1\end{array}\right.$

其中，(x_u，y_v)表示被移除的重要像素，

(x_uk，y_vk)表示被移除的重要像素相邻的没有被移除的8个像素中的重要像素，1≤K≤8；

举例如下，说明书附图3(1)表示原始图像二值化后对应的图像矩阵，图3(2)表示细缝移除前与图3(1)对应的ASF(x，y)矩阵，图3(3)表示细缝移除后对应的ASF(x，y)矩阵。假设一条细缝被移除，这个细缝在图3(1)中的位置为b(0，3)，b(1，3)，b(2，3)，b(3，3)，其中b(2，3)为重要像素，重要像素b(2，3)的8邻域中有两个重要的像素b(1，2)，b(2，4)，细缝移除后这两个重要像素的ASF的值发生变化，计算公式如下，且其他ASF值不变。

$\left\{\begin{array}{c}\mathrm{ASF}\left(\mathrm{1,2}\right)=\max \{\mathrm{ASF}\left(\mathrm{1,2}\right),\mathrm{ASF}\left(\mathrm{2,3}\right)\}+1\\ \mathrm{ASF}\left(\mathrm{2,4}\right)=\max \{\mathrm{ASF}\left(\mathrm{2,4}\right),\mathrm{ASF}\left(\mathrm{2,3}\right)\}+1\end{array}\right.$

7)计算重要信息变形函数值

每当一条细缝被移除，则计算当前图像与参考图像的距离：子图像的平均图像差分和平均能量损耗，即重要信息变形函数的值，用来评价图像缩放后的质量。并比较平均信息变形差值和阈值，用来判定何止停止细缝方法，再用非均匀映射方法将当前图像映射至目标大小。

③计算平均子图像的差分值(ADSI)。

当一条细缝移除，一些重要像素被遗留在当前图像中，我们以每一个剩下的重要像素为中心取一个大小为3×3的子图像窗口，计算这个窗口中细缝移除前后像素灰度值变化的平均值。将计算遍历所有剩下的重要像素，得到子图像的平均图像差分值。计算公式如下：

$\mathrm{ADSI}=\frac{1}{{\mathrm{NUM}}_{\mathrm{IP}}}\underset{(x,y)\&Element;C_{\mathrm{IP}}}{\mathrm{\&Sigma;}}\frac{1}{9}\underset{i=-1}{\overset{1}{\mathrm{\&Sigma;}}}\underset{j=-1}{\overset{1}{\mathrm{\&Sigma;}}}|s(x_{\mathrm{cur}+i},y_{\mathrm{cur}+j})-f(x_{\mathrm{ori}+i},y_{\mathrm{ori}+j})|$

其中：C_IP表示当前图像中重要像素的集合，NUM_IP表示当前图像中重要像素的总数，

      s(x_cur，y_cur)为移除细缝后剩余的重要像素对应的灰度值，

f(x_ori，y_ori)为移除细缝后剩余的重要像素在细缝移除前所对应的灰度值，

i，j为子图像窗口中的像素点相对于图像窗口中心像素的位移。

②计算平均能量损耗值(ALE)，当一条细缝移除，一些重要像素随之被移除，这些像素点在当前图像中已经不存在，无法用子图像的差分来度量图像距离。累计状态方程中记录了重要像素状态的变化，所以我们用平均能量损耗来衡量图像间的距离。计算公式如下：

$\mathrm{ALE}=\frac{1}{{\mathrm{NUM}}_{\mathrm{IP}}}\underset{(x,y)\&Element;C_{\mathrm{IP}}}{\mathrm{\&Sigma;}}\mathrm{ASF}(x,y)$

其中：C_IP表示当前图像中重要像素的集合，NUM_IP表示当前图像中重要像素的总数；

③计算重要信息变形函数值(IIDF)，计算公式如下：

IIDF＝α×ADSI+β×ALE

其中：α，β为加权因子，α取值0.2，β取值0.8。ADSI，ALE由上述步骤①、②求得；

对附图4(1)中的图像不断地抽取细缝，每抽取一次细缝则计算相应的重要信息变形函数值IIDF，统计细缝抽取个数与细缝抽取后对应的重要信息变形函数值IIDF的关系曲线，如附图5。

8)判断何时停止细缝裁切方法

①判断布尔函数的值，若其值为零，则继续执行下一步骤，则计算平均信息变形值。若其值不为零，即BOOL＝1，说明拐点已经计算，则跳过计算平均信息变形值的步骤，跳转至步骤8)中的④，进入拟合直线步骤。

②计算平均信息变形值： $\stackrel{\&OverBar;}{\mathrm{IIDF}}=\frac{1}{X_p}\underset{0}{\overset{X_p}{\mathrm{\&Sigma;}}}{Y}_p,$

其中，Y_p表示抽取p条细缝后对应的IIDF的值，X_p表示抽取的细缝的总数，当p＝0时，X_p＝0，Y_p＝0；

③若

将布尔函数置为1，首个满足

的点P(X_p，Y_p)记为拐点Q(X_q，Y_q)，从拐点Q开始记录点(X_p，Y_p)，将这些点组成集合{(X_t，Y_t)，t＝q+1，q+2，K q+r}，然后跳转至步骤4)；

若

保持布尔函数值为零不变，跳转至步骤4)；

其中，T₁取值为0.05。

④用点的集合{(X_t，Y_t)，t＝q+1，q+2，K q+r}拟合直线Y＝kx+b。

⑤计算平均信息变形差值： $\stackrel{\&OverBar;}{{\mathrm{IIDF}}_{\mathrm{dis}}}=\frac{1}{r}\underset{t=q+1}{\overset{q+r}{\mathrm{\&Sigma;}}}\frac{|{\mathrm{kX}}_t-Y_t+b|}{\sqrt{1+k^2}}$

即上述步骤④中的点集中所有点相对于Y＝kx+b的平均距离，若这个距离用于判断是否停止细缝裁切方法。

其中，(X_t，Y_t)是上述步骤④点集中的所有点，

k是拟合曲线的斜率，b是拟合曲线的截距；

⑥若

则跳转至步骤4)；

首个满足

的点横坐标的值记为X_q+r，即细缝裁切方法停止时抽去的细缝个数为q+r。细缝裁切方法停止，采用非均匀映射方法将当前图像映射至目标大小，并继续执行；继续执行下一步骤。

其中，T₂取值为0.05。

对于说明书附图4(1)，当满足图像尺寸为333×434，抽取细缝的个数为66，细缝裁切方法停止，采用非均匀映射方法当前图像映射至目标大小333×250。

9)将大小为333×250的图像输出。

Claims (1)

1.一种有效的图像自适应方法，具体步骤如下：

1)输入原始视频序列图像作为参考图像，并设定输出图像的目标尺寸；

2)提取参考图像中的重要像素信息，具体步骤如下：

①将参考图像转化为灰度图像，用函数g(x,y)表示；

②对上述步骤中的灰度图像进行十字中值滤波；

③应用sobel算子得到灰度图像的边缘；

④计算上述边缘图像的平均灰度值Ave_Gray和方差Var_Gray；

⑤计算阈值r₀:r₀=Ave_Gray+Var_Gray；

⑥提取参考图像中的重要像素信息，通过如下阈值法得到二值图像函数b(x,y),

其中值为1的像素为重要像素；

3)初始化，具体步骤如下：

①初始化状态方程：ASF(x,y)=0，

其中，ASF(x,y)记录2）⑥中得到的二值图像中每个重要像素点的状态值，初始时图像中所有重要像素的状态值为零；

②初始化布尔函数值：BOOL=0；

4)应用细缝裁切方法

应用细缝裁切方法在参考图像中找到一条能量值最小的细缝并去除，在当前二值图像中相应的位置去除该条细缝；

5)监测当前图像尺寸大小

计算当前图像的长和宽，若当前图像尺寸达到目标尺寸，则跳至最后一步；

否则，继续向下执行；

6)更新重要像素状态

更新与被移除的重要像素相邻的没有被移除的8个像素中的重要像素的状态ASF(x,y)，其他像素状态不变，计算公式如下： 

其中，(x_u,y_v)表示被移除的重要像素，

(x_uk，y_vk)表示被移除的重要像素相邻的没有被移除的8个像素中的重要像素，1≤k≤8，且k为整数；

7)计算重要信息变形函数值，具体步骤如下：

①计算平均子图像的差分值ADSI

当一条细缝移除，一些重要像素被遗留在当前图像中，以每一个剩下的重要像素为中心取一个大小为(2H+1)×(2H+1)的子图像窗口，计算这个窗口中细缝移除前后像素灰度值变化的平均值，然后遍历所有剩下的重要像素，计算得到所有剩下的重要像素的子图像的平均图像差分值，ADSI计算公式如下：

其中：C_IP表示当前图像中重要像素的集合,

NUM_IP表示当前图像中重要像素的总数,

(x_cur,y_cur)表示移除细缝后剩余的重要像素，

s(x_cur,y_r)为移除细缝后剩余的重要像素对应的灰度值，

(x_ori,y_ori)表示移除细缝后剩余的重要像素在细缝移除前的图像中所对应的像素，

f(x_ori，y_ori)为移除细缝后剩余的重要像素在细缝移除前所对应的灰度值，

H为正整数，

i,j为子图像窗口中的像素点相对于图像窗口中心像素的位移；

②计算平均能量损耗值ALE，计算公式如下：

其中：C_IP表示当前图像中重要像素的集合，

NUM_IP表示当前图像中重要像素的总数； 

③计算重要信息变形函数值IIDF，计算公式如下：

IIDF=α×ADSI+β×ALE

其中：α，β为加权因子，且β=1-α，0<α<1，0<β<1，

ADSI，ALE由步骤7中①、②求得；

8)判断何时停止细缝裁切方法，具体步骤如下：

①判断布尔函数的值，若其值为零，则继续执行下一步骤；

若其值不为零，则跳转至步骤8）中的④；

②计算平均信息变形值：

其中，Y_p表示抽取p条细缝后对应的IIDF的值，X_p表示抽取的细缝的总数，

将X_p、Y_p映射至二维坐标系中，每个点P（X_p，Y_p）的值对应二维坐标系中的一个点 ，当p=0时，X_p=0，Y_p=0，对应坐标系中的原点O(0,0)；

③若 将布尔函数置为1，首个满足 

的点P(X_p,Y_p)记为拐点Q(X_q,Y_q)，从拐点Q开始记录点(X_p,Y_p)，将这些点组成集合{(X_t,Y_t),t=q+1,q+2,...q+r}，然后跳转至步骤4）；

若 

保持布尔函数值为零不变，跳转至步骤4）；

其中，T₁∈[0.03,0.05]，

④用点的集合{(X_t,Y_t),t=q+1,q+2,...q+r}拟合直线Y=kx+b；

⑤计算平均信息变形差值：

其中，(X_t,Y_t)是上述步骤④点集中的所有点，

k是拟合曲线的斜率，b是拟合曲线的截距；

⑥若 

则跳转至步骤4）；

若 

细缝裁切方法停止，采用非均匀映射方法将当前图像映射至目标大小，并继续执行；其中，T₂∈[0.03,0.05]； 

9)输出目标尺寸的图像。 

Images