CN103996211A - 图像重定位方法及装置 - Google Patents

Abstract

本公开揭示了一种图像重定位方法及装置，属于图像处理领域。所述图像重定位方法包括：建立图像的显著性模型；根据所述显著性模型，计算所述图像中各个像素点的显著性值；根据所述像素点的显著性值，计算各条像素线的总显著性值；根据所述图像的目标尺寸以及各条像素线的总显著性值，对所述图像进行重定位。通过建立的显著性模型计算图像中各条像素线的总显著性值，根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位；解决了相关技术中存在的在进行图像重定位时，需要对原图像的非冗余信息进行分析，分析过程过于繁杂，计算量非常大的问题；达到了可以大大降低计算量的效果。

Description

图像重定位方法及装置

技术领域

本公开涉及图像处理领域，特别涉及一种图像重定位方法及装置。

背景技术

图像中通常包含有一些冗余信息，这些冗余信息会占用一部分容量，为了减少图像中冗余信息的容量占用，可以利用图像重定位(image retargeting)技术消除图像中的冗余信息。常见的，可以采用基于线裁剪(seam carving)算法的图像重定位技术去掉图像中的冗余信息。

在相关的基于线裁剪算法进行图像重定位的过程中，首先，获取原图像中的像素点的颜色特征向量，然后，综合考虑该颜色特征向量以及原图像的非冗余信息、图像分辨率等因素，利用这些因素确定图像中冗余度较高的像素点组成的像素线；最后，剪掉原图像中这些冗余的像素线，得到重定位后的图像。

发明人在实现本公开的过程中，发现相关技术至少存在如下缺陷：在进行图像重定位时，需要对原图像的非冗余信息进行分析，分析过程过于繁杂，计算量非常大。

发明内容

为了解决相关技术中存在的在进行图像重定位时，需要对原图像的非冗余信息进行分析，分析过程过于繁杂，计算量非常大的问题，本公开提供一种图像重定位方法及装置。所述技术方案如下：

根据本公开实施例的第一方面，提供一种图像重定位方法，包括：

建立图像的显著性模型；

根据所述显著性模型，计算所述图像中各个像素点的显著性值；

根据所述像素点的显著性值，计算各条像素线的总显著性值；

根据所述图像的目标尺寸以及各条像素线的总显著性值，对所述图像进行重定位。

可选的，所述建立图像的显著性模型，包括：

利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

确定每个所述区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。

可选的，所述显著性模型为：

$S_{i1}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(R_j\right)D_S(R_i,R_j)D_C(R_i,R_j),$

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为： $D_S(R_i,R_j)=\exp (-{(\mathrm{Center}\left(R_i\right)-\mathrm{Center}\left(R_j\right))}^2/{\mathrm{\σ}}_s^2),$ Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时， ${\mathrm{\σ}}_s^2=0.4.$

可选的，所述建立图像的显著性模型，包括：

按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；

根据每种颜色类型的颜色值，建立所述显著性模型。

可选的，所述显著性模型为：

$S_{i2}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(P_j\right)D_C(P_i,P_j),$

其中，w(P_j)为颜色类型P_j中像素点的个数，D_C(P_i,P_j)用于表征颜色类型P_i和颜色类型P_j之间颜色差异的度量值。

可选的，所述根据所述图像的目标尺寸以及各条像素线的总显著性值，对所述图像进行重定位，包括：

根据所述图像的目标尺寸确定裁剪方向；

当所述裁剪方向为行向时，按照像素线的总显著性值，从小到大依次去除所述图像中的列向像素线，使得所述图像中剩余的列向像素线组成的行向宽度为所述目标尺寸的行向宽度，每条所述列向像素线为所述图像中位于同一列的像素点组成的线；

当所述裁剪方向为列向时，按照像素线的总显著性值，从小到大依次去除所述图像中的行向像素线，使得所述图像中剩余的行向像素线组成的列向宽度为所述目标尺寸的列向宽度，每条所述行向像素线为所述图像中位于同一行的像素点组成的线。

可选的，所述根据所述图像的目标尺寸确定裁剪方向，包括：

当所述目标尺寸的行向宽度小于所述图像的实际行向宽度时，确定所述裁剪方向为行向；和/或，

当所述目标尺寸的列向宽度小于所述图像的实际列向宽度时，确定所述裁剪方向为列向。

根据本公开实施例的第二方面，提供一种图像重定位装置，包括：

建立模块，用于建立图像的显著性模型；

第一计算模块，用于根据所述建立模块建立的显著性模型，计算所述图像中各个像素点的显著性值；

第二计算模块，用于根据所述第一计算模块计算得到的像素点的显著性值，计算各条像素线的总显著性值；

重定位模块，用于根据所述图像的目标尺寸以及所述第一计算模块计算的各条像素线的总显著性值，对所述图像进行重定位。

可选的，所述建立模块，包括：

分割单元，用于利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

第一确定单元，用于确定所述分割单元分割的每个所述区域的颜色值和质心；

第一建立单元，用于根据所述确定单元确定的各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。

可选的，所述显著性模型为：

$S_{i1}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(R_j\right)D_S(R_i,R_j)D_C(R_i,R_j),$

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为： $D_S(R_i,R_j)=\exp (-{(\mathrm{Center}\left(R_i\right)-\mathrm{Center}\left(R_j\right))}^2/{\mathrm{\σ}}_s^2),$ Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时， ${\mathrm{\σ}}_s^2=0.4.$

可选的，所述建立模块，包括：

归类单元，用于按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；

第二建立单元，用于根据每种颜色类型的颜色值，建立所述显著性模型。

可选的，所述显著性模型为：

$S_{i2}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(P_j\right)D_C(P_i,P_j),$

其中，w(P_j)为颜色类型P_j中像素点的个数，D_C(P_i,P_j)用于表征颜色类型P_i和颜色类型P_j之间颜色差异的度量值。

可选的，所述重定位模块，包括：

第二确定单元，用于根据所述图像的目标尺寸确定裁剪方向；

第一去除单元，用于当所述第二确定单元确定的裁剪方向为行向时，按照像素线的总显著性值，从小到大依次去除所述图像中的列向像素线，使得所述图像中剩余的列向像素线组成的行向宽度为所述目标尺寸的行向宽度，每条所述列向像素线为所述图像中位于同一列的像素点组成的线；

第二去除单元，用于当所述第二确定单元确定的裁剪方向为列向时，按照像素线的总显著性值，从小到大依次去除所述图像中的行向像素线，使得所述图像中剩余的行向像素线组成的列向宽度为所述目标尺寸的列向宽度，每条所述行向像素线为所述图像中位于同一行的像素点组成的线。

可选的，所述第二确定单元，包括：

第一确定子单元，用于当所述目标尺寸的行向宽度小于所述图像的实际行向宽度时，确定所述裁剪方向为行向；和/或，

第二确定子单元，用于当所述目标尺寸的列向宽度小于所述图像的实际列向宽度时，确定所述裁剪方向为列向。

根据本公开实施例的第三方面，提供一种图像重定位装置，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为：

建立图像的显著性模型；

根据所述显著性模型，计算所述图像中各个像素点的显著性值；

根据所述像素点的显著性值，计算各条像素线的总显著性值；

根据所述图像的目标尺寸以及各条像素线的总显著性值，对所述图像进行重定位。

本公开的实施例提供的技术方案可以包括以下有益效果：

通过建立的显著性模型计算图像中各条像素线的总显著性值，根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位；由于根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位，而不需要考虑图像的飞冗余信息等因素，解决了相关技术中存在的在进行图像重定位时，需要对原图像的非冗余信息进行分析，分析过程过于繁杂，计算量非常大的问题；达到了可以大大降低计算量的效果。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种图像重定位方法的流程图；

图2A是根据另一示例性实施例示出的一种图像重定位方法的流程图；

图2B是根据一示例性实施例示出的一种对图像进行过分割的示意图；

图2C是根据一示例性实施例示出的一种对图像重定位的示意图；

图3A是根据再一示例性实施例示出的一种图像重定位方法的流程图；

图3B是根据一示例性实施例示出的一种按照颜色值对图像中的像素点进行统计的直方图；

图4是根据一示例性实施例示出的一种图像重定位装置的框图；

图5是根据另一示例性实施例示出的一种图像重定位装置的框图；

图6是根据再一示例性实施例示出的一种图像重定位装置的框图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

文中所讲的“电子设备”可以是智能手机、平板电脑、智能电视、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。

图1是根据一示例性实施例示出的一种图像重定位方法的流程图，如图1所示，该图像重定位方法应用于电子设备中，包括以下步骤。

在步骤101中，建立图像的显著性模型。

在步骤102中，根据显著性模型，计算图像中各个像素点的显著性值。

在步骤103中，根据像素点的显著性值，计算各条像素线的总显著性值。

在步骤104中，根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位。

综上所述，本公开实施例中提供的图像重定位方法，通过建立的显著性模型计算图像中各条像素线的总显著性值，根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位；由于根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位，而不需要考虑图像的飞冗余信息等因素，解决了相关技术中存在的在进行图像重定位时，需要对原图像的非冗余信息进行分析，分析过程过于繁杂，计算量非常大的问题；达到了可以大大降低计算量的效果。

在实现图像重定位的过程中，可以基于图像区域颜色分析的显著性分析方法获取显著性模型，然后根据该显著性模型进行图像重定位，具体可以参见图2A中的描述。

图2A是根据另一示例性实施例示出的一种图像重定位方法的流程图，如图2A所示，该图像重定位方法应用于电子设备中，包括以下步骤。

在步骤201中，利用预定过分割算法对图像进行过分割，得到至少一个区域，同一个区域中各个像素点的颜色值相同。

对图像进行过分割即是将图像分割成不同的区域，每个区域中的像素点在某一个特性上是相同的，比如被过分割后的某一个区域中的各个像素点的颜色值相同，或者被过分割后的某一个区域中的各个像素点的颜色值非常接近。

这里采用的过分割算法是基于均值飘移(Mean shift)的过分割算法，在实际应用中，还可以采用其他各种过分割算法，比如可以包括：基于分水岭(watershed)的过分割算法和基于超像素聚类的过分割算法等，本实施例并不对过分割算法进行限定。

请参见图2B所示，其是根据一示例性实施例示出的一种对图像进行过分割的示意图，利用过分割算法将图像进行过分割，得到若干个区域，每个区域中的各个像素点的颜色是相同的，且这些像素点是相连的。可以利用三原色GRB(红，绿，蓝)表示区域中像素点的颜色，比如，区域b1中各个像素点的平均颜色值为GRB(254，254，2)，即在视觉上呈现为黄色，区域b2中各个像素点的平均颜色值为GRB(53，203，99)，即在视觉上呈现为绿色，区域b3中各个像素点的平均颜色值为GRB(164，125，92)，即在视觉上呈现为黄褐色，区域b4中各个像素点的平均颜色值为GRB(252，22，4)，即在视觉上呈现为红色。其余不同标记的区域均分别具有不同的颜色值。

在步骤202中，确定每个区域的颜色值和质心。

由于过分割之后的区域中各个像素点具有相同的颜色值，因此可以确定出该区域的颜色值，且针对每个区域，也可以计算出区域所对应的质心。

在步骤203中，根据各个区域所对应的颜色值以及各个区域的质心，建立显著性模型。

利用各个区域所对应的颜色值以及各个区域的质心，建立的显著性模型为：

$S_{i1}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(R_j\right)D_S(R_i,R_j)D_C(R_i,R_j),$

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征区域R_i和区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征区域R_i和区域R_j之间颜色差异的度量值，N为对图像进行过分割后得到的区域的总个数；

D_S(R_i，R_j)为： $D_S(R_i,R_j)=\exp (-{(\mathrm{Center}\left(R_i\right)-\mathrm{Center}\left(R_j\right))}^2/{\mathrm{\σ}}_s^2),$ 其中，Center(R_i)为区域R_i的质心，Center(R_j)为区域R_j的质心，当图像中各个像素点的坐标均归一化到[0，1]时，

D_C(R_i,R_j)可以用区域R_i的平均颜色值和区域R_j的平均颜色值的欧氏距离来表征。区域的平均颜色值即为该区域中各个像素点的颜色值之后除以该区域中像素点的个数，在理想情况下，区域中各个像素点的颜色值均相同，此时该区域的颜色值即为其中一个像素点的颜色值。而在实际应用中，同一个区域中的各个像素点的颜色值并不是完全相同，通常各个像素点的颜色值比较接近，此时则可以该区域中各个像素点的颜色值之后除以该区域中像素点的个数，得到该区域的平均颜色值。

由该显著性模型的构成可知，该显著性模型可以用于表征每个区域中的像素点的显著性值受到图像中其余各个区域的影响。

利用该显著性模型即可以计算每个区域中任一像素点的显著性值。

在步骤204中，根据显著性模型，计算图像中各个像素点的显著性值。

在步骤205中，根据像素点的显著性值，计算各条像素线的总显著性值。

像素线可以包括行向像素线和列向像素线，其中每一条行向像素线是由位于同一行的各个像素点组成的线，每一条列向像素线是由位于同一列的各个像素点组成的线。

由于利用步骤204已经计算出了图像中各个像素点的显著性值，因此可以计算出图像中各条行向像素线以及各条列向像素线的总显著性值，也即，对于每条像素线来讲，将该像素线所包含的各个像素点的显著性值相加，得到该像素线的总显著性值。

在步骤206中，根据图像的目标尺寸确定裁剪方向。

在一种应用场景中，比如设置头像，由于头像的尺寸是固定的，因此需要将实际尺寸较大的图像进行剪切，以使剪切后的图像尺寸符合头像所要求的目标尺寸。在另一种场景中，比如向论坛或交由空间中上传图片时，通常要求在固定的区域上传具有固定尺寸的图片，此时也需要对实际尺寸较大的图像进行剪切，以使得剪切后的图像尺寸符合所要求的目标尺寸。而为了保留图像中所有的非冗余信息，因此采用抽取图像中冗余线的方法对图像进行重定位。所以需要按照图像的目标尺寸确定抽取的方向。

在实际应用中，根据图像的目标尺寸确定裁剪方向可以包括如下三种情况：

第一，当目标尺寸的行向宽度小于图像的实际行向宽度时，确定裁剪方向为行向；

举例来讲，当图像的实际尺寸为1000*700(行向宽度*列向宽度)，目标尺寸为800*700(行向宽度*列向宽度)，则确定裁剪方向为行向。

第二，当目标尺寸的列向宽度小于图像的实际列向宽度时，确定裁剪方向为列向；

举例来讲，当图像的实际尺寸为600*900(行向宽度*列向宽度)，目标尺寸为600*700(行向宽度*列向宽度)，则确定裁剪方向为列向。

第三，当目标尺寸的行向宽度小于图像的实际行向宽度，且目标尺寸的列向宽度小于图像的实际列向宽度时，确定裁剪方向为行向和列向。

举例来讲，当图像的实际尺寸为1000*700(行向宽度*列向宽度)，目标尺寸为500*350(行向宽度*列向宽度)，则确定裁剪方向为行向和列向，也即在行向和列向上均需要裁剪。

在步骤207中，当裁剪方向为行向时，按照像素线的总显著性值，从小到大依次去除图像中的列向像素线，使得图像中剩余的列向像素线组成的行向宽度为目标尺寸的行向宽度，每条列向像素线为图像中位于同一列的像素点组成的线。

通常来讲，显著性值越小，表明该像素点的冗余度越高，因此需要使得抽取的像素线偏向为冗余度较高的像素线，当裁剪方向为行向时，则可以按照像素线的总显著性值从小到大依次对列向像素线进行排序，然后从前往后去除图像中对应的列向像素线，直到剩余的列向像素线所组成的宽度为目标尺寸的行向宽度即可。

在步骤208中，当裁剪方向为列向时，按照像素线的总显著性值，从小到大依次去除图像中的行向像素线，使得图像中剩余的行向像素线组成的列向宽度为目标尺寸的列向宽度，每条行向像素线为图像中位于同一行的像素点组成的线。

同理，当裁剪方向为列向时，则可以按照像素线的总显著性值从小到大依次对行向像素线进行排序，然后从前往后去除图像中对应的行向像素线，直到剩余的行向像素线所组成的宽度为目标尺寸的列向宽度即可。

需要补充说明的是，通过上述步骤可知，在对图像进行抽取时，并没有对图像的行向像素线进行均匀或者对称抽取，也没有对图像的列向像素线进行均匀或者对称抽取，而是将图像中冗余度较高的行向像素线和/或列向像素线进行抽取，尽可能保留图像中冗余度较低的像素线。

请参见图2C所示，其是根据一示例性实施例示出的一种对图像重定位的示意图，图2C中所示的图像P的裁剪方向为行向，所标出的像素线均为需要被抽取的像素线，抽取完这些像素线之后，该图像P的宽度由原来的实际宽度降低为目标尺寸所要求的目标宽度，但该图像P实际所呈现的信息量并没有减少。也即保证了在重要物体不被裁剪的前提下对图像进行适当的线裁剪，更加符合人们认知图像、裁剪图像的习惯。

综上所述，本公开实施例中提供的图像重定位方法，通过建立的显著性模型计算图像中各条像素线的总显著性值，根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位；由于根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位，而不需要考虑图像的飞冗余信息等因素，解决了相关技术中存在的在进行图像重定位时，需要对原图像的非冗余信息进行分析，分析过程过于繁杂，计算量非常大的问题；达到了可以大大降低计算量的效果。

在实现图像重定位的过程中，还可以基于图像区域直方图分析的显著性分析方法获取显著性模型，然后根据该显著性模型进行图像重定位，具体可以参见图3A中的描述。

图3A是根据再一示例性实施例示出的一种图像重定位方法的流程图，如图3A所示，该图像重定位方法应用于电子设备中，包括以下步骤。

在步骤301中，按照各个像素点的颜色值，对图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型。

在实际应用中，可以设置用于存储像素点的与颜色值对应的存储空间(比如存储队列或存储栈等)，存储空间的个数通常可以为256*256*256个，依次读取图像中的像素点，将该像素点放入与该像素点的颜色值对应的存储空间中，这样每个存储空间中所保存的各个像素点的颜色值均相同。

当读取完该图像中的各个像素点之后，统计每个存储空间中包存储的像素点的个数。

将各个存储空间用直方图表示时，可以参见图3B所示，其是根据一示例性实施例示出的一种按照颜色值对图像中的像素点进行统计的直方图，该直方图中仅示例性示意除了四种颜色值所对应的像素点个数，其中颜色值为GRB(254，254，2)的像素点为12013个，颜色值为GRB(53，203，99)的像素点为80756个，颜色值为GRB(164，125，92)的像素点为39864个，颜色值为GRB(250，100，7)的像素点为1103个。

在步骤302中，根据每种颜色类型的颜色值，建立显著性模型。

根据每种颜色类型的颜色值，建立得到的显著性模型为：

$S_{i2}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(P_j\right)D_C(P_i,P_j),$

其中，w(P_j)为颜色类型P_j中像素点的个数，D_C(P_i,P_j)用于表征颜色类型P_i和颜色类型P_j之间颜色差异的度量值，在实际应用中，D_C(P_i,P_j)可以用颜色类型R_i的颜色值和颜色类型R_j的颜色值的欧氏距离来表征。

需要说明的是，在实际应用中，通过步骤301对图像中的像素点进行分类之后，同一种颜色类型所对应的像素点的个数可能会非常少，这些像素点的颜色对其他像素点的颜色的显著性值影响并不大，因此在一种可能的实现方式中，为了减少计算量，则可以选择像素点较多的颜色类型，建立显著性模型。

在步骤303中，根据显著性模型，计算图像中各个像素点的显著性值。

在步骤304中，根据像素点的显著性值，计算各条像素线的总显著性值。

在步骤305中，根据图像的目标尺寸确定裁剪方向。

根据图像的目标尺寸确定裁剪方向，包括：

当目标尺寸的行向宽度小于图像的实际行向宽度时，确定裁剪方向为行向；和/或，

当目标尺寸的列向宽度小于图像的实际列向宽度时，确定裁剪方向为列向。

在步骤306中，当裁剪方向为行向时，按照像素线的总显著性值，从小到大依次去除图像中的列向像素线，使得图像中剩余的列向像素线组成的行向宽度为目标尺寸的行向宽度，每条列向像素线为图像中位于同一列的像素点组成的线。

在步骤307中，当裁剪方向为列向时，按照像素线的总显著性值，从小到大依次去除图像中的行向像素线，使得图像中剩余的行向像素线组成的列向宽度为目标尺寸的列向宽度，每条行向像素线为图像中位于同一行的像素点组成的线。

步骤303至步骤307的过程与图2A中所描述的步骤204至步骤208的过程相同，这里就不再赘述。

综上所述，本公开实施例中提供的图像重定位方法，通过建立的显著性模型计算图像中各条像素线的总显著性值，根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位；由于根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位，而不需要考虑图像的飞冗余信息等因素，解决了相关技术中存在的在进行图像重定位时，需要对原图像的非冗余信息进行分析，分析过程过于繁杂，计算量非常大的问题；达到了可以大大降低计算量的效果。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图4是根据一示例性实施例示出的一种图像重定位装置的框图，如图4所示，该图像重定位装置应用于电子设备中，该图像重定位装置包括但不限于：建立模块402、第一计算模块404、第二计算模块406和重定位模块408。

该建立模块402被配置为建立图像的显著性模型；

该第一计算模块404被配置为根据建立模块建立402的显著性模型，计算图像中各个像素点的显著性值；

该第二计算模块406被配置为根据第一计算模块404计算得到的像素点的显著性值，计算各条像素线的总显著性值；

该重定位模块408被配置为根据图像的目标尺寸以及第二计算模块406计算的各条像素线的总显著性值，对图像进行重定位。

综上所述，本公开实施例中提供的图像重定位装置，通过建立的显著性模型计算图像中各条像素线的总显著性值，根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位；由于根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位，而不需要考虑图像的飞冗余信息等因素，解决了相关技术中存在的在进行图像重定位时，需要对原图像的非冗余信息进行分析，分析过程过于繁杂，计算量非常大的问题；达到了可以大大降低计算量的效果。

图5是根据另一示例性实施例示出的一种图像重定位装置的框图，如图5所示，该图像重定位装置应用于电子设备中，该图像重定位装置包括但不限于：建立模块502、第一计算模块504、第二计算模块506和重定位模块508。

该建立模块502被配置为建立图像的显著性模型；

该第一计算模块504被配置为根据建立模块502建立的显著性模型，计算图像中各个像素点的显著性值；

该第二计算模块506被配置为根据第一计算模块504计算得到的像素点的显著性值，计算各条像素线的总显著性值；

该重定位模块508被配置为根据图像的目标尺寸以及第二计算模块506计算的各条像素线的总显著性值，对图像进行重定位。

在图5所示实施例中的第一种可能的实现方式中，该建立模块502可以包括：分割单元502a、第一确定单元502b和第一建立单元502c。

该分割单元502a被配置为利用预定过分割算法对图像进行过分割，得到至少一个区域，同一个区域中各个像素点的颜色值相同；

该第一确定单元502b被配置为确定分割单元502a分割的每个区域的颜色值和质心；

该第一建立单元502c被配置为根据第一确定单元502b确定的各个区域所对应的颜色值以及各个区域的质心，建立显著性模型。

在图5所示实施例中的第二种可能的实现方式中，显著性模型为：

$S_{i1}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(R_j\right)D_S(R_i,R_j)D_C(R_i,R_j),$

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征区域R_i和区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征区域R_i和区域R_j之间颜色差异的度量值，N为对图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为： $D_S(R_i,R_j)=\exp (-{(\mathrm{Center}\left(R_i\right)-\mathrm{Center}\left(R_j\right))}^2/{\mathrm{\σ}}_s^2),$ Center(R_i)为区域R_i的质心，Center(R_j)为区域R_j的质心，当图像中各个像素点的坐标均归一化到[0,1]时，

在图5所示实施例中的第三种可能的实现方式中，该建立模块502可以包括：归类单元502d和第二建立单元502e。

该归类单元502d被配置为按照各个像素点的颜色值，对图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；

该第二建立单元502e被配置为根据每种颜色类型的颜色值，建立显著性模型。

在图5所示实施例中的第四种可能的实现方式中，该显著性模型为：

$S_{i2}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(P_j\right)D_C(P_i,P_j),$

其中，w(P_j)为颜色类型P_j中像素点的个数，D_C(P_i,P_j)用于表征颜色类型P_i和颜色类型P_j之间颜色差异的度量值。

在图5所示实施例中的第五种可能的实现方式中，重定位模块508可以包括：第二确定单元508a、第一去除单元508b和第二去除单元508c。

该第二确定单元508a被配置为根据图像的目标尺寸确定裁剪方向；

该第一去除单元508b被配置为当第二确定单元508a确定的裁剪方向为行向时，按照像素线的总显著性值，从小到大依次去除图像中的列向像素线，使得图像中剩余的列向像素线组成的行向宽度为目标尺寸的行向宽度，每条列向像素线为图像中位于同一列的像素点组成的线；

该第二去除单元508c被配置为当第二确定单元508a确定的裁剪方向为列向时，按照像素线的总显著性值，从小到大依次去除图像中的行向像素线，使得图像中剩余的行向像素线组成的列向宽度为目标尺寸的列向宽度，每条行向像素线为图像中位于同一行的像素点组成的线。

在图5所示实施例中的第六种可能的实现方式中，第二确定单元508a可以包括：第一确定子单元508a1和第二确定子单元508a2。

该第一确定子单元508a1被配置为当目标尺寸的行向宽度小于图像的实际行向宽度时，确定裁剪方向为行向；和/或，

该第二确定子单元508a2被配置为当目标尺寸的列向宽度小于图像的实际列向宽度时，确定裁剪方向为列向。

综上所述，本公开实施例中提供的图像重定位装置，通过建立的显著性模型计算图像中各条像素线的总显著性值，根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位；由于根据图像的目标尺寸以及各条像素线的总显著性值，对图像进行重定位，而不需要考虑图像的飞冗余信息等因素，解决了相关技术中存在的在进行图像重定位时，需要对原图像的非冗余信息进行分析，分析过程过于繁杂，计算量非常大的问题；达到了可以大大降低计算量的效果。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图6是根据再一示例性实施例示出的一种用于图像重定位的装置600的框图。例如，装置600可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图6，装置600可以包括以下一个或多个组件：处理组件602，存储器604，电源组件606，多媒体组件608，音频组件610，输入/输出(I/O)接口612，传感器组件614，以及通信组件616。

处理组件602通常控制装置600的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器618来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件602可以包括一个或多个模块，便于处理组件602和其他组件之间的交互。例如，处理组件602可以包括多媒体模块，以方便多媒体组件608和处理组件602之间的交互。

存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统，一个或多个电源，及其他与为装置600生成、管理和分配电力相关联的组件。

多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件610被配置为输出和/或输入音频信号。例如，音频组件610包括一个麦克风(MIC)，当装置600处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中，音频组件610还包括一个扬声器，用于输出音频信号。

I/O接口612为处理组件602和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件614包括一个或多个传感器，用于为装置600提供各个方面的状态评估。例如，传感器组件614可以检测到装置600的打开/关闭状态，组件的相对定位，例如所述组件为装置600的显示器和小键盘，传感器组件614还可以检测装置600或装置600一个组件的位置改变，用户与装置600接触的存在或不存在，装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件614还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件616还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器604，上述指令可由装置600的处理器618执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。

应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。

Claims (15)

1.一种图像重定位方法，其特征在于，包括：

建立图像的显著性模型；

根据所述显著性模型，计算所述图像中各个像素点的显著性值；

根据所述像素点的显著性值，计算各条像素线的总显著性值；

根据所述图像的目标尺寸以及各条像素线的总显著性值，对所述图像进行重定位。

2.根据权利要求1所述的方法，其特征在于，所述建立图像的显著性模型，包括：

利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

确定每个所述区域的颜色值和质心；

根据各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。

3.根据权利要求2所述的方法，其特征在于，所述显著性模型为：

$S_{i1}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(R_j\right)D_S(R_i,R_j)D_C(R_i,R_j),$

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为： $D_S(R_i,R_j)=\exp (-{(\mathrm{Center}\left(R_i\right)-\mathrm{Center}\left(R_j\right))}^2/{\mathrm{\σ}}_s^2),$ Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时， ${\mathrm{\σ}}_s^2=0.4.$

4.根据权利要求1所述的方法，其特征在于，所述建立图像的显著性模型，包括：

按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；

根据每种颜色类型的颜色值，建立所述显著性模型。

5.根据权利要求4所述的方法，其特征在于，所述显著性模型为：

$S_{i2}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(P_j\right)D_C(P_i,P_j),$

其中，w(P_j)为颜色类型P_j中像素点的个数，D_C(P_i,P_j)用于表征颜色类型P_i和颜色类型P_j之间颜色差异的度量值。

6.根据权利要求1至5中任一所述的方法，其特征在于，所述根据所述图像的目标尺寸以及各条像素线的总显著性值，对所述图像进行重定位，包括：

根据所述图像的目标尺寸确定裁剪方向；

当所述裁剪方向为行向时，按照像素线的总显著性值，从小到大依次去除所述图像中的列向像素线，使得所述图像中剩余的列向像素线组成的行向宽度为所述目标尺寸的行向宽度，每条所述列向像素线为所述图像中位于同一列的像素点组成的线；

当所述裁剪方向为列向时，按照像素线的总显著性值，从小到大依次去除所述图像中的行向像素线，使得所述图像中剩余的行向像素线组成的列向宽度为所述目标尺寸的列向宽度，每条所述行向像素线为所述图像中位于同一行的像素点组成的线。

7.根据权利要求6所述的方法，其特征在于，所述根据所述图像的目标尺寸确定裁剪方向，包括：

当所述目标尺寸的行向宽度小于所述图像的实际行向宽度时，确定所述裁剪方向为行向；和/或，

当所述目标尺寸的列向宽度小于所述图像的实际列向宽度时，确定所述裁剪方向为列向。

8.一种图像重定位装置，其特征在于，包括：

建立模块，用于建立图像的显著性模型；

第一计算模块，用于根据所述建立模块建立的显著性模型，计算所述图像中各个像素点的显著性值；

第二计算模块，用于根据所述第一计算模块计算得到的像素点的显著性值，计算各条像素线的总显著性值；

重定位模块，用于根据所述图像的目标尺寸以及所述第二计算模块计算的各条像素线的总显著性值，对所述图像进行重定位。

9.根据权利要求8所述的装置，其特征在于，所述建立模块，包括：

分割单元，用于利用预定过分割算法对所述图像进行过分割，得到至少一个区域，同一个所述区域中各个像素点的颜色值相同；

第一确定单元，用于确定所述分割单元分割的每个所述区域的颜色值和质心；

第一建立单元，用于根据所述第一确定单元确定的各个区域所对应的颜色值以及各个区域的质心，建立所述显著性模型。

10.根据权利要求9所述的装置，其特征在于，所述显著性模型为：

$S_{i1}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(R_j\right)D_S(R_i,R_j)D_C(R_i,R_j),$

其中，S_i1为区域R_i中任一像素点的显著性值，w(R_j)为区域R_j中的像素点的个数，D_S(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间空间位置差异的度量值，D_C(R_i,R_j)用于表征所述区域R_i和所述区域R_j之间颜色差异的度量值，N为对所述图像进行过分割后得到的区域的总个数，D_S(R_i,R_j)为： $D_S(R_i,R_j)=\exp (-{(\mathrm{Center}\left(R_i\right)-\mathrm{Center}\left(R_j\right))}^2/{\mathrm{\σ}}_s^2),$ Center(R_i)为所述区域R_i的质心，Center(R_j)为所述区域R_j的质心，当所述图像中各个像素点的坐标均归一化到[0,1]时， ${\mathrm{\σ}}_s^2=0.4.$

11.根据权利要求8所述的装置，其特征在于，所述建立模块，包括：

归类单元，用于按照各个像素点的颜色值，对所述图像中各个像素点进行归类，将相同颜色值的像素点归类为同一种颜色类型；

第二建立单元，用于根据每种颜色类型的颜色值，建立所述显著性模型。

12.根据权利要求11所述的装置，其特征在于，所述显著性模型为：

$S_{i2}=\underset{j=1,j\≠i}{\overset{N}{\mathrm{\Σ}}}w\left(P_j\right)D_C(P_i,P_j),$

其中，w(P_j)为颜色类型P_j中像素点的个数，D_C(P_i,P_j)用于表征颜色类型P_i和颜色类型P_j之间颜色差异的度量值。

13.根据权利要求8至12中任一所述的装置，其特征在于，所述重定位模块，包括：

第二确定单元，用于根据所述图像的目标尺寸确定裁剪方向；

第一去除单元，用于当所述第二确定单元确定的裁剪方向为行向时，按照像素线的总显著性值，从小到大依次去除所述图像中的列向像素线，使得所述图像中剩余的列向像素线组成的行向宽度为所述目标尺寸的行向宽度，每条所述列向像素线为所述图像中位于同一列的像素点组成的线；

第二去除单元，用于当所述第二确定单元确定的裁剪方向为列向时，按照像素线的总显著性值，从小到大依次去除所述图像中的行向像素线，使得所述图像中剩余的行向像素线组成的列向宽度为所述目标尺寸的列向宽度，每条所述行向像素线为所述图像中位于同一行的像素点组成的线。

14.根据权利要求13所述的装置，其特征在于，所述第二确定单元，包括：

第一确定子单元，用于当所述目标尺寸的行向宽度小于所述图像的实际行向宽度时，确定所述裁剪方向为行向；和/或，

第二确定子单元，用于当所述目标尺寸的列向宽度小于所述图像的实际列向宽度时，确定所述裁剪方向为列向。

15.一种图像重定位装置，其特征在于，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

其中，所述处理器被配置为：

建立图像的显著性模型；

根据所述显著性模型，计算所述图像中各个像素点的显著性值；

根据所述像素点的显著性值，计算各条像素线的总显著性值；

根据所述图像的目标尺寸以及各条像素线的总显著性值，对所述图像进行重定位。