CN104318516A - 基于切缝对齐和变形校正的图像缩放方法 - Google Patents

Abstract

本发明涉及移动显示设备相关的多媒体技术领域，特别是涉及图像尺寸与当前显示设备尺寸不一致时基于切缝对齐和变形校正的图像缩放方法。本发明提供了一种可以避免图像不协调，彻底解决结构断裂和变形扭曲的时基于切缝对齐和变形校正的图像缩放的方法。它通过对缝切割所分割的两个子图进行切缝对齐和变形来实现图像缩放，该方法可以有效消除缝切割图像缩放存在结构断裂的问题。本发明可以在缩放图像的同时保持图像结构的连续性和重要的图像信息，从而有利于用户观察和欣赏图像信息。

Description

基于切缝对齐和变形校正的图像缩放方法

技术领域

本发明涉及移动显示设备相关的多媒体技术领域，特别是涉及图像尺寸与当前显示设备尺寸不一致时基于切缝对齐和变形校正的图像缩放方法。 

背景技术

随着多媒体技术和视频成像技术的快速发展，出现越来越多的图像显示设备，如手机、电视、平板电脑、笔记本电脑等。图像显示设备的发展有利于我们更好地共享和交换信息，但也使潜在的问题也越发明显。不同的显示设备有不同的分辨率，一幅图像有固定分辨率，如果一幅图像分辨率不同于当前的显示设备,就应该增加或减少图像内容来适应设备，改变图像尺寸的过程称为图像缩放。 

传统的图像尺寸调整方法有裁剪和缩放，裁剪是完全删除图像的某些对象，而缩放同时减少图像中所有对象的信息，没有考虑对象的重要性。传统的方法容易造成图像有不协调的纵横比，或失去图像中有重要信息的对象。近几年，出现了很多基于图像内容的图像缩放方法，缝切割图像缩放方法会导致图像变形扭曲，对缝切割的改进方法都只改变了切缝的位置，不能彻底解决结构断裂和变形扭曲的问题。其它图像缩放方法或存在过多的人工交互，或会导致图像结构变形扭曲。 

发明内容

为了解决以上问题，本发明提供了一种可以避免图像不协调，彻底解决结构断裂和变形扭曲的时基于切缝对齐和变形校正的图像缩放的方法。 

一种基于切缝对齐和变形校正的图像缩放方法，包括如下步骤： 

1)使用基于图割的缝切割方法得到最优切割线，将图像切成两幅子图； 

2)将缝切割所得的较小的子图与切缝对齐，使用由粗到细的切缝对齐方法，具体步骤如下所示： 

(1)双向动态规划寻找像素级特征点匹配，分别匹配切缝与子图的边缘，保留其中双向匹配的像素点； 

(2)分段寻找非特征像素点匹配，将特征点匹配对之间的普通点进行匹配； 

(3)二等分插值方法寻找亚像素级匹配，在像素级匹配点对之间二等 分插值出亚像素点，为尚未匹配的点匹配亚像素级点； 

(4)像素级匹配寻找更精细的亚像素级匹配，将每个像素级匹配点进行十等分得到亚像素级点； 

3)根据切缝对齐结果和逆向映射原理，求解泊松方程得到较小子图的全部点的偏移量；根据当前子图偏移量和切缝前图像相对于原图的坐标，可以得到变形后的子图上相对于原图的坐标；再用双线性插值得到变化后的子图，拼接两幅子图可得变形结果。优选的，所述步骤1)中，图像I被切缝s分割成两幅子图像I₁和I₂，假设I₁比I₂小，切缝s信息存储在数组C中，I₁和I₂的切割边缘s₁和s₂的信息分别存储在数组C₁和C₂中，则s是图像I中(C[y],y)(y＝1,2...n)的集合。 

优选的，所述步骤1)中缝切割方法定义切缝s的能量函数为： 

$E\left(s\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}e\left(I\left(s_i\right)\right)---\left(1\right)$

式中，I为大小为n×m的图像；用于求解像素梯度，I(s_i)＝I(x(i),i)表示第i行的像素集合，即E(s)记录图像I中每个像素的梯度。 

优选的，所述步骤2)中计算两点之间匹配度的能量函数： 

$\begin{array}{c}M(\mathrm{te},\mathrm{ts})=\\ \frac{\underset{p\&Element;N_{\mathrm{te}},q\&Element;N_{\mathrm{ts}}<p,q>}{\mathrm{\&Sigma;}}{\left|\right|E\left(p\right)-E\left(q\right)\left|\right|}^2}{\mathrm{\&eta;}+\underset{p\&Element;N_{\mathrm{te}}}{\mathrm{\&Sigma;}}{\left|\right|E\left(\mathrm{te}\right)-E\left(p\right)\left|\right|}^2+\underset{q\&Element;N_{\mathrm{ts}}}{\mathrm{\&Sigma;}}{\left|\right|E\left(\mathrm{ts}\right)-E\left(q\right)\left|\right|}^2}\end{array}---\left(3\right)$

式中： 

te表示s上的点，ts表示s₁上的点； 

E是包含当前点的RGB三通道颜色以及它们在x和y方向上的梯度，即 

$E=(R,G,B,{\&dtri;R}_x,\&dtri;R_y,\&dtri;G_x,{\&dtri;G}_y,{\&dtri;B}_x,\&dtri;B_y);$

p∈N_te，q∈N_ts分别表示te和ts的8领域像素集合，η为一个正数。 

优选的，所述步骤2)中所述匹配范围为：1.D₁[y]-D₁[y-1]≤22.D₁[y]-y≤1 

其中，D₁[y](y＝1,2...n)表示s₁上的C₁[D₁[y]]点与s上的C[y]点匹配。 

优选的，所述步骤2)中D₁中存在多对一的点，即D₁[i]＝D₁[i-1]的情况，存在多对一的点都是特征不明显的点，而我们在第一步特征明显的匹配，于是去除s到s₁多对一的匹配，令D₁[i]＝D₁[i-1]＝0，D[i]＝0表示i点无相应的匹配点。 

更优选的，所述步骤2)中所述双向动态规划是指在匹配s和s₁的同时，考虑了s和s₂的匹配的影响，若当前点与s₂上的也有匹配点，说明该点的特征明显。 

优选的，对于非特征像素点，采用像素颜色和坐标的能量函数 

M(te,ts)＝||E(te)-E(ts)||   (6) 

式中te表示s上的点，ts表示s₁上的点，E＝(R,G,B,x,y)，x和y为当前点的坐标。 

优选的，所述步骤3)用以下方法计算整个区域的偏移量： 

$\min \underset{p\&Element;\mathrm{\&Omega;},q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{(f_p-f_q)}^2---\left(8\right)$

式中f_p是变形区域的p点的偏移量，f_q是f_p的四邻域的偏移量集合，Ω为变形区域。对公式8求导等于0得到公式9： 

$\left|N_p\right|f_p-\underset{q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{f}_q=\underset{q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{f}_q^{*}---\left(9\right)$

式中为f_p已知领域的偏移量，|N_p|为f_p的未知领域个数且|N_p|≤4； 

对公式9求解泊松方程，得到整个变形区域的偏移量。 

下面对本发明详细说明如下： 

1)基于图割的切缝优化 

我们以求解竖直切缝为例，对于一幅大小为n×m的图像I，定义切缝s的能量函数为： 

$E\left(s\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}e\left(I\left(s_i\right)\right)---\left(1\right)$

式中用于求解像素梯度，I(s_i)＝I(x(i),i)表示第i行的像素集合，即E(s)记录图像I中每个像素的梯度。用动态规划方法计算最优竖直切缝，设矩阵M存储当前图像的累积最小能量，则M的定义为： 

M(i,j)＝e(i,j)+min(M(i-1,j-1),   (2) 

M(i-1,j),M(i-1,j+1)) 

图像I被切缝s分割成两幅子图像I₁和I₂，假设I₁比I₂小，切缝s信息存储在数组C中，I₁和I₂的切割边缘s₁和s₂的信息分别存储在数组C₁和C₂中，则s是图像I中(C[y],y)(y＝1,2...n)的集合。 

2)由粗到细的切缝对齐算法 

(1)像素级切缝对齐· 

公式3为计算两点之间匹配度的能量函数： 

$\begin{array}{c}M(\mathrm{te},\mathrm{ts})=\\ \frac{\underset{p\&Element;N_{\mathrm{te}},q\&Element;N_{\mathrm{ts}}<p,q>}{\mathrm{\&Sigma;}}{\left|\right|E\left(p\right)-E\left(q\right)\left|\right|}^2}{\mathrm{\&eta;}+\underset{p\&Element;N_{\mathrm{te}}}{\mathrm{\&Sigma;}}{\left|\right|E\left(\mathrm{te}\right)-E\left(p\right)\left|\right|}^2+\underset{q\&Element;N_{\mathrm{ts}}}{\mathrm{\&Sigma;}}{\left|\right|E\left(\mathrm{ts}\right)-E\left(q\right)\left|\right|}^2}\end{array}---\left(3\right)$

式中te表示s上的点，ts表示s₁上的点。E是包含当前点的RGB三通道颜色以及它们在x和y方向上的梯度，即 $E=(R,G,B,{\&dtri;R}_x,\&dtri;R_y,\&dtri;G_x,{\&dtri;G}_y,{\&dtri;B}_x,\&dtri;B_y).$ p∈N_te，q∈N_ts表示te和ts的8领域像素集合，η为一个正数。D₁[y](y＝1,2...n)表示s₁上的C₁[D₁[y]]点与s上的C[y]点匹配，考虑到少一条切缝不会对图像I造成很大的断裂，本文对所有点的匹配范围做以下限定：1.D₁[y]-D₁[y-1]≤22.D₁[y]-y≤1。 

用动态规划的方法求出最优匹配D₁，令T[y,i]表示D₁[y]＝i时的最优代价,则T[y,i]的定义如下： 

$T[y,i]=\underset{j=i-2..i}{\min }\left(T\right[y-1,j\left]\right)+M(y,i)---\left(4\right)$

D₁中存在多对一的点，即D₁[i]＝D₁[i-1]的情况，存在多对一的点都是特征不明显的点，而我们在第一步特征明显的匹配，于是去除s到s₁多对一的匹配，令D₁[i]＝D₁[i-1]＝0，D[i]＝0表示i点无相应的匹配点。 

为了得到更可靠的匹配，我们采用双向动态规划匹配的方法。双向动态规划在匹配s和s₁的同时，考虑了s和s₂的匹配的影响，若当前点与s₂上的也有匹配点，说明该点的特征明显，这样做的好处是不仅保留特征最显著的匹配而且使s₁ 和s₂有个间接的对应关系，在拼接时更连续。用与求D₁同样的方法可得到s和s₂的匹配结果D₂。比较D₁和D₂，若D₁[i]≠0且D₂[i]≠0,则D[i]＝D₁[i]，否则D[i]＝0，D中非零的匹配就是s与s₁之间的像素级匹配，如图2所示。图中s上的p点匹配s₁上的p₁点，即D₁[p]＝p₁，同理可得，D₂[p]＝p₂，p点在s₁和s₂上都有匹配点，令D[p]＝p₁。反观q和r，D₁[q]＝0，D₂[q]＝q₂，D₁[r]＝r₁，D₂[r]＝0，它们有一方没有匹配点，于是令D[q]＝0，D[r]＝0。 

经过双向动态规划匹配后，得到匹配都是特征明显的关键点，由于交叉匹配会导致变形断裂，于是我们根据第一步所得的匹配结果将s和s₁进行分段匹配。分段匹配方法既避免了交叉匹配，又很好的利用了关键点的匹配结果。分段方法如图3所示，其中p和p₁，q和q₁，r和r₁是第一步已匹配的点，我们将p和q之间的像素与p₁和q₁之间的像素进行匹配，q和r之间的像素与q₁和r₁之间的像素进行匹配。 

由于当前未匹配的都是梯度较小的点，我们就只考虑颜色信息的能量函数，具体如下： 

$\begin{array}{c}M(\mathrm{te},\mathrm{ts})=\\ \underset{p\&Element;N\left(\mathrm{te}\right),q\&Element;N\left(\mathrm{ts}\right)<p,q>}{\mathrm{\&Sigma;}}\mathrm{\&alpha;}\left|\right|E\left(p\right)-E\left(q\right)\left|\right|\end{array}---\left(5\right)$

式中te表示s上的点，ts表示s₁上的点，p∈N(te)，q∈N(ts)表示te和ts的8领域像素集合，E＝(R,G,B)， $\mathrm{\&alpha;}=\left[\begin{array}{ccc}2& 4& 2\\ 4& 8& 4\\ 2& 4& 2\end{array}\right].$

(2)亚像素级切缝对齐 

我们采用二等分插值像素的方法生成亚像素，如图4所示，其中p和p₁，q和q₁是已匹配的点，s和s₁上分别有m和n个点未匹配，在p₁和q₁之间进行二等分插值生成新的像素，直至n′≥2×m，n′为s₁上插值后的点数总和。 

对于特征不明显的点，变化不会太大，所以我们考虑像素颜色和坐标的能量函数。 

M(te,ts)＝||E(te)-E(ts)||   (6) 

式中te表示s上的点，ts表示s₁上的点，E＝(R,G,B,x,y)，x和y为当前点的坐标。根据数组C从小到大匹配，选择在匹配范围内差异最小的像素作为匹配点。 

M(te,ts)＝||E(te)-E(ts)||   (7) 

式中te表示s上的点，ts表示s₁上的点，E＝(R,G,B)。根据公式7来计算s上的第C[i]点与该等分点之间颜色的相似度，找到与之最相似的点作为匹配点。 

3)基于变形的结构校正方法 

根据s和s₁的切缝对齐结果D，可以计算s到s₁的偏移量，即x′＝x₁-x₂，y′＝y₁-y₂，其中x₁＝D[x]，y₁＝C[D[x]]，x₂＝x，y₂＝C[x]，若x非整数，则通过插值得到坐标。变形的方向如图3所示，令I₁上s₁以外的边缘偏移量为0，根据逆向映射原理和切缝s上的偏移量可求出区域上的偏移量。 

为了得到整个区域的偏移量，我们使用以下公式： 

$\min \underset{p\&Element;\mathrm{\&Omega;},q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{(f_p-f_q)}^2---\left(8\right)$

式中f_p是变形区域的p点的偏移量，f_q是f_p的四邻域的偏移量集合，Ω为变形区域。对公式8求导等于0得到公式9： 

$\left|N_p\right|f_p-\underset{q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{f}_q=\underset{q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{f}_q^{*}---\left(9\right)$

式中为f_p已知领域的偏移量，|N_p|为f_p的未知领域个数且|N_p|≤4。对公式9求解泊松方程，得到整个变形区域的偏移量。设当切缝前的图像相对于原图的坐标为M_now，根据变形区域的偏移量和M_now用双线性插值得到切缝后的图像相对于原图的坐标M_after。如果已经是最后条切缝，根据双线性插值和M_after插值得到最后结果。 

本发明公开了一种基于切缝对齐和变形校正的图像缩放方法。它通过对缝切割所分割的两个子图进行切缝对齐和变形来实现图像缩放，该方法可以有效消除缝切割图像缩放存在结构断裂的问题。本发明可以在缩放图像的同时保持图像结构的连续性和重要的图像信息，从而有利于用户观察和欣赏图像信息。 

附图说明

图1双向动态规划示意图。 

图2分段匹配示意图。 

图3二等分插值像素示意图。 

图4亚像素级匹配示意图。 

图5变形示意图。 

图6是图像缩放变化图，其中a是原图，b是缝切割处理结果，c是本发明的处理结果。 

具体实施方式

用缝切割切除一条切缝，将较小的子图和切缝做切缝对齐并变形。合并变形后的子图和较大的子图，并对变形结果做缝切割。重复以上步骤直至图像缩放到目标大小。 

1)基于图割的切缝优化 

我们以求解竖直切缝为例，对于一幅大小为n×m的图像I，定义切缝s的能量函数为： 

$E\left(s\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}e\left(I\left(s_i\right)\right)---\left(1\right)$

式中用于求解像素梯度，I(s_i)＝I(x(i),i)表示第i行的像素集合，即E(s)记录图像I中每个像素的梯度。用动态规划方法计算最优竖直切缝，设矩阵M存储当前图像的累积最小能量，则M的定义为： 

M(i,j)＝e(i,j)+min(M(i-1,j-1),   (2) 

M(i-1,j),M(i-1,j+1)) 

图像I被切缝s分割成两幅子图像I₁和I₂，假设I₁比I₂小，切缝s信息存储在数组C中，I₁和I₂的切割边缘s₁和s₂的信息分别存储在数组C₁和C₂中，则s是图像I中(C[y],y)(y＝1,2...n)的集合。 

2)由粗到细的切缝对齐算法 

(1)像素级切缝对齐· 

公式3为计算两点之间匹配度的能量函数： 

$\begin{array}{c}M(\mathrm{te},\mathrm{ts})=\\ \frac{\underset{p\&Element;N_{\mathrm{te}},q\&Element;N_{\mathrm{ts}}<p,q>}{\mathrm{\&Sigma;}}{\left|\right|E\left(p\right)-E\left(q\right)\left|\right|}^2}{\mathrm{\&eta;}+\underset{p\&Element;N_{\mathrm{te}}}{\mathrm{\&Sigma;}}{\left|\right|E\left(\mathrm{te}\right)-E\left(p\right)\left|\right|}^2+\underset{q\&Element;N_{\mathrm{ts}}}{\mathrm{\&Sigma;}}{\left|\right|E\left(\mathrm{ts}\right)-E\left(q\right)\left|\right|}^2}\end{array}---\left(3\right)$

式中te表示s上的点，ts表示s₁上的点。E是包含当前点的RGB三通道颜色以及它们在x和y方向上的梯度，即 $E=(R,G,B,{\&dtri;R}_x,\&dtri;R_y,\&dtri;G_x,{\&dtri;G}_y,{\&dtri;B}_x,\&dtri;B_y).$ p∈N_te，q∈N_ts表示te和ts的8领域像素集合，η为一个正数。D₁[y](y＝1,2...n)表示s₁上的C₁[D₁[y]]点与s上的C[y]点匹配，考虑到少一条切缝不会对图像I造成很大的断裂，本文对所有点的匹配范围做以下限定：1.D₁[y]-D₁[y-1]≤22.D₁[y]-y≤1。 

用动态规划的方法求出最优匹配D₁，令T[y,i]表示D₁[y]＝i时的最优代价,则T[y,i]的定义如下： 

$T[y,i]=\underset{j=i-2..i}{\min }\left(T\right[y-1,j\left]\right)+M(y,i)---\left(4\right)$

D₁中存在多对一的点，即D₁[i]＝D₁[i-1]的情况，存在多对一的点都是特征不明显的点，而我们在第一步特征明显的匹配，于是去除s到s₁多对一的匹配，令D₁[i]＝D₁[i-1]＝0，D[i]＝0表示i点无相应的匹配点。 

为了得到更可靠的匹配，我们采用双向动态规划匹配的方法。双向动态规划在匹配s和s₁的同时，考虑了s和s₂的匹配的影响，若当前点与s₂上的也有匹配点，说明该点的特征明显，这样做的好处是不仅保留特征最显著的匹配而且使s₁和s₂有个间接的对应关系，在拼接时更连续。用与求D₁同样的方法可得到s和s₂的匹配结果D₂。比较D₁和D₂，若D₁[i]≠0且D₂[i]≠0,则D[i]＝D₁[i]，否则D[i]＝0，D中非零的匹配就是s与s₁之间的像素级匹配，如图2所示。图中s上的p点匹配s₁上的p₁点，即D₁[p]＝p₁，同理可得，D₂[p]＝p₂，p点在s₁和s₂上都有匹配点，令D[p]＝p₁。反观q和r，D₁[q]＝0，D₂[q]＝q₂，D₁[r]＝r₁，D₂[r]＝0，它们有一方没有匹配点，于是令D[q]＝0，D[r]＝0。 

经过双向动态规划匹配后，得到匹配都是特征明显的关键点，由于交叉匹配会导致变形断裂，于是我们根据第一步所得的匹配结果将s和s₁进行分段匹配。 分段匹配方法既避免了交叉匹配，又很好的利用了关键点的匹配结果。分段方法如图3所示，其中p和p₁，q和q₁，r和r₁是第一步已匹配的点，我们将p和q之间的像素与p₁和q₁之间的像素进行匹配，q和r之间的像素与q₁和r₁之间的像素进行匹配。 

由于当前未匹配的都是梯度较小的点，我们就只考虑颜色信息的能量函数，具体如下： 

$\begin{array}{c}M(\mathrm{te},\mathrm{ts})=\\ \underset{p\&Element;N\left(\mathrm{te}\right),q\&Element;N\left(\mathrm{ts}\right)<p,q>}{\mathrm{\&Sigma;}}\mathrm{\&alpha;}\left|\right|E\left(p\right)-E\left(q\right)\left|\right|\end{array}---\left(5\right)$

式中te表示s上的点，ts表示s₁上的点，p∈N(te)，q∈N(ts)表示te和ts的8领域像素集合，E＝(R,G,B)， $\mathrm{\&alpha;}=\left[\begin{array}{ccc}2& 4& 2\\ 4& 8& 4\\ 2& 4& 2\end{array}\right].$

(2)亚像素级切缝对齐 

我们采用二等分插值像素的方法生成亚像素，如图4所示，其中p和p₁，q和q₁是已匹配的点，s和s₁上分别有m和n个点未匹配，在p₁和q₁之间进行二等分插值生成新的像素，直至n′≥2×m，n′为s₁上插值后的点数总和。 

对于特征不明显的点，变化不会太大，所以我们考虑像素颜色和坐标的能量函数。 

M(te,ts)＝||E(te)-E(ts)||   (6) 

式中te表示s上的点，ts表示s₁上的点，E＝(R,G,B,x,y)，x和y为当前点的坐标。根据数组C从小到大匹配，选择在匹配范围内差异最小的像素作为匹配点。 

M(te,ts)＝||E(te)-E(ts)||   (7) 

式中te表示s上的点，ts表示s₁上的点，E＝(R,G,B)。根据公式7来计算s上的第C[i]点与该等分点之间颜色的相似度，找到与之最相似的点作为匹配点。 

3)基于变形的结构校正方法 

根据s和s₁的切缝对齐结果D，可以计算s到s₁的偏移量，即x′＝x₁-x₂， y′＝y₁-y₂，其中x₁＝D[x]，y₁＝C[D[x]]，x₂＝x，y₂＝C[x]，若x非整数，则通过插值得到坐标。变形的方向如图3所示，令I₁上s₁以外的边缘偏移量为0，根据逆向映射原理和切缝s上的偏移量可求出区域上的偏移量。 

为了得到整个区域的偏移量，我们使用以下公式： 

$\min \underset{p\&Element;\mathrm{\&Omega;},q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{(f_p-f_q)}^2---\left(8\right)$

式中f_p是变形区域的p点的偏移量，f_q是f_p的四邻域的偏移量集合，Ω为变形区域。对公式8求导等于0得到公式9： 

$\left|N_p\right|f_p-\underset{q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{f}_q=\underset{q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{f}_q^{*}---\left(9\right)$

式中为f_p已知领域的偏移量，|N_p|为f_p的未知领域个数且|N_p|≤4。对公式9求解泊松方程，得到整个变形区域的偏移量。设当切缝前的图像相对于原图的坐标为M_now，根据变形区域的偏移量和M_now用双线性插值得到切缝后的图像相对于原图的坐标M_after。如果已经是最后条切缝，根据双线性插值和M_after插值得到最后结果。 

Claims (9)

1.一种基于切缝对齐和变形校正的图像缩放方法，其特征在于：包括如下步骤：

1)使用基于图割的缝切割方法得到最优切割线，将图像切成两幅子图；

2)将缝切割所得的较小的子图与切缝对齐，使用由粗到细的切缝对齐方法，具体步骤如下所示：

(1)双向动态规划寻找像素级特征点匹配，分别匹配切缝与子图的边缘，保留其中双向匹配的像素点；

(2)分段寻找非特征像素点匹配，将特征点匹配对之间的普通点进行匹配；

(3)二等分插值方法寻找亚像素级匹配，在像素级匹配点对之间二等分插值出亚像素点，为尚未匹配的点匹配亚像素级点；

(4)像素级匹配寻找更精细的亚像素级匹配，将每个像素级匹配点进行十等分得到亚像素级点；

3)根据切缝对齐结果和逆向映射原理，求解泊松方程得到较小子图的全部点的偏移量；根据当前子图偏移量和切缝前图像相对于原图的坐标，可以得到变形后的子图上相对于原图的坐标；再用双线性插值得到变化后的子图，拼接两幅子图可得变形结果。

2.根据权利要求1所述的基于切缝对齐和变形校正的图像缩放方法，其特征在于：所述步骤1)中，图像I被切缝s分割成两幅子图像I₁和I₂，假设I₁比I₂小，切缝s信息存储在数组C中，I₁和I₂的切割边缘s₁和s₂的信息分别存储在数组C₁和C₂中，则s是图像I中(C[y],y)(y＝1,2...n)的集合。

3.根据权利要求2所述的基于切缝对齐和变形校正的图像缩放方法，其特征在于：所述步骤1)中缝切割方法定义切缝s的能量函数为：

$E\left(s\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}e\left(I\left(s_i\right)\right)---\left(1\right)$

式中，I为大小为n×m的图像；用于求解像素梯度，I(s_i)＝I(x(i),i)表示第i行的像素集合，即E(s)记录图像I中每个像素的梯度。

4.根据权利要求1所述的基于切缝对齐和变形校正的图像缩放方法，其特征在于：所述步骤2)中计算两点之间匹配度的能量函数：

$\begin{array}{c}M(\mathrm{te},\mathrm{ts})=\\ \frac{\underset{p\&Element;N_{\mathrm{te}},q\&Element;N_{\mathrm{ts}}\&lang;p,q\&rang;}{\mathrm{\&Sigma;}}{\left|\right|E\left(p\right)-E\left(q\right)\left|\right|}^2}{\mathrm{\&eta;}+\underset{p\&Element;N_{\mathrm{te}}}{\mathrm{\&Sigma;}}{\left|\right|E\left(\mathrm{te}\right)-E\left(p\right)\left|\right|}^2+\underset{q\&Element;N_{\mathrm{ts}}}{\mathrm{\&Sigma;}}{\left|\right|E\left(\mathrm{ts}\right)-E\left(q\right)\left|\right|}^2}\end{array}---\left(3\right)$

式中：

te表示s上的点，ts表示s₁上的点；

E是包含当前点的RGB三通道颜色以及它们在x和y方向上的梯度，即

$E=(R,G,B,{\&dtri;R}_x,{\&dtri;R}_y,{\&dtri;G}_x,{\&dtri;G}_y,{\&dtri;B}_x,{\&dtri;B}_y);$

p∈N_te，q∈N_ts分别表示te和ts的8领域像素集合，η为一个正数。

5.根据权利要求1所述的基于切缝对齐和变形校正的图像缩放方法，其特征在于：所述步骤2)中所述匹配范围为：1.D₁[y]-D₁[y-1]≤2 2.D₁[y]-y≤1其中，D₁[y](y＝1,2...n)表示s₁上的C₁[D₁[y]]点与s上的C[y]点匹配。

6.根据权利要求5所述的基于切缝对齐和变形校正的图像缩放方法，其特征在于：所述步骤2)中D₁中存在多对一的点，即D₁[i]＝D₁[i-1]的情况，存在多对一的点都是特征不明显的点，而我们在第一步特征明显的匹配，于是去除s到s₁多对一的匹配，令D₁[i]＝D₁[i-1]＝0，D[i]＝0表示i点无相应的匹配点。

7.根据权利要求5所述的基于切缝对齐和变形校正的图像缩放方法，其特征在于：所述步骤2)中所述双向动态规划是指在匹配s和s₁的同时，考虑了s和s₂的匹配的影响，若当前点与s₂上的也有匹配点，说明该点的特征明显。

8.根据权利要求1所述的基于切缝对齐和变形校正的图像缩放方法，其特征在于：对于非特征像素点，采用像素颜色和坐标的能量函数

M(te,ts)＝||E(te)-E(ts)||   (6)

式中te表示s上的点，ts表示s₁上的点，E＝(R,G,B,x,y)，x和y为当前点的坐标。

9.根据权利要求1所述的基于切缝对齐和变形校正的图像缩放方法，其特征在于：所述步骤3)用以下方法计算整个区域的偏移量：

$\begin{array}{cc}\min & \underset{p\&Element;\mathrm{\&Omega;},q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}\end{array}{(f_p-f_q)}^2---\left(8\right)$

式中f_p是变形区域的p点的偏移量，f_q是f_p的四邻域的偏移量集合，Ω为变形区域。对公式8求导等于0得到公式9：

$\left|N_p\right|f_p-\underset{q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{f}_q=\underset{q\&Element;N_P\&cap;\&PartialD;\mathrm{\&Omega;}}{\mathrm{\&Sigma;}}{f}_q^{*}---\left(9\right)$

式中为f_p已知领域的偏移量，|N_p|为f_p的未知领域个数且|N_p|≤4；

对公式9求解泊松方程，得到整个变形区域的偏移量。