[发明专利]一种融合显著图与深度图的缝切割重定向方法

说明书

本发明涉及图像处理以及多媒体技术领域，尤其是一种融合显著图与深度图的缝切割重定向方法。包括：利用GBVS算法获取图像显著图；结合图像梯度图与提出的通过SIFT匹配方法获取图像深度图构建更精确的重要度图；根据重要度图的能量分布，获取能量较低位置的切割缝，记录每条缝的位置与运动过程，对原始图像进行处理，得到最终的重定向结果。本发明同时考虑了图像的显著图和深度图，能够最大程度的保留图像的显著部分，并且改善原有缝切割方法中的扭曲及失真问题。

技术领域

本发明涉及图像处理以及多媒体技术领域，尤其是一种融合显著图与深度图的缝切割重定向方法。

背景技术

随着当今社会迅速发展的互联网科技、爆炸性增长的网络多媒体数据，以及不同尺寸的显示设备数目及种类急剧增长，各种图像信息与电子设备屏幕的直接匹配是个亟需解决的问题。图像处理领域中的一个重要内容是将同一幅图像显示在具有不同尺寸和分辨率的不同设备上，即图像重定向问题。

传统的图像重定向方法有很多，但是其效果都差强人意。均匀缩放的方法使用简单的非均匀缩放和双三次插值对原始图像进行重新映射，只适用于重定向比例一致的场合；变形的方法则是考虑了图像的重要部分，缩放效果已经较为理想，也容易发生扭曲；变形裁剪的方法是通过手动裁剪方式来选择来自原始图像的最佳目标尺寸的窗口，虽然没有使图像发生变形，但在重定向的时候丢失了大量重要信息，因而都不能满足我们的实际需求。

为弥补传统方法的不足，基于内容感知的图像重定向在图像和视觉领域引起广泛关注，通常情况下，这类方法首先利用算法得到原始图像的重要性图，然后根据重要性图对原始图像进行重定向。其中，重要性图往往选择图像的梯度图，重定向也通常在缝切割等方法的基础上进行。缝切割的方法一般使用梯度图作为重要性图，通过增加或者移除具有最小能量的八连通缝的方式来达到重定向的目的，得到了较好的重定向结果。但是如何使重定向的图像信息更加准确，是一个比较普遍并且函待解决的问题。

发明内容

本发明的目的是针对上述不足之处，提供一种融合显著图与深度图的缝切割重定向方法，能够最大程度保留图像中重要信息以及边界信息，减少图像重定向过程产生的扭曲和变形。

本发明是采取以下技术方案实现的：

一种融合显著图与深度图的缝切割重定向方法，包括如下步骤：

1）利用GBVS算法获取图像显著图；

2）通过SIFT匹配获取图像深度图的方法，并结合图像梯度图构建更为精确的融合图；

3）根据步骤2）所得到的融合图的能量分布，获取能量较低位置的切割缝，记录每条缝的位置与运动过程，对原始图像进行处理，得到最终的重定向结果。

优选的，在步骤（1）中，将待处理的图像使用GBVS算法加强显示出图像中的重要信息并弱化边缘区域。

步骤（1）中，GBVS算法使用马尔科夫链进行显著性计算，通过马尔科夫链的稳定状态获取特征图的显著状态，将得到多个类型的特征显著图进行叠加，得到最终显著结果。

优选的，步骤（2）中，对于所述图像梯度图，通过选取图像在横向x方向和纵向y方向上的梯度绝对值之和，构成梯度能量函数。

步骤（2）中，对于所述图像深度图，将公用数据库RGBD分为彩色图库A与其对应的深度图库B，提取输入图像以及图库A中所有图像的HOG特征，利用K-近邻算法将所有图像按所提取特征进行分类，在彩色图库A中得到个与图像属于同一类的相似图像，同时，将输入图像与所得彩色图像进行超像素分割，利用SIFT方法的图像匹配功能，得到个与输入图像最为相似的超像素区域，其中，和为大于1的自然数。

其中，SIFT方法的图像匹配过程如下：

2-1）

（1）；