專利名稱:一種基于改進(jìn)算法的圖片拼接方法
技術(shù)領(lǐng)域:
本發(fā)明屬于圖像處理領(lǐng)域,一種基于改進(jìn)算法的圖片拼接方法,具體涉及一種基于改進(jìn)的圖片相似性計(jì)算以及重要性區(qū)域檢測(cè)的圖片拼接方法。
背景技術(shù):
從計(jì)算機(jī)圖形學(xué)的角度來看,可以采用拼圖方法將重要的圖片拼接組合在一起形成內(nèi)容總結(jié),使用戶從拼圖可以了解大量圖片中所包含的主要事件。這方面的工作已經(jīng)有很多,比如基于矩形畫板的圖片拼圖(Wang J. D.,Sun J.,QuanL. , Tang X. O. , Shum H. Y. Picture collage. Proceeding of CVPR, 2006)和自動(dòng)拼圖(Rother C., Bordeaux L. , Hamadi Y. , Blake A. AutoCollage. ACM Transactions onGraphics, 25(3) :847-852,2006)。以上圖片拼圖工作生成了較具吸引力的結(jié)果,可以對(duì)大 量的圖片內(nèi)容進(jìn)行一定范圍的總結(jié)。但是由于在拼圖制作過程中單純從圖片之間布局的協(xié)調(diào)性出發(fā),比如包含天空的圖片應(yīng)該置于拼圖的上方,色調(diào)相近的圖片應(yīng)該彼此相鄰,而沒有從事件發(fā)展的進(jìn)程進(jìn)行考慮,因此通過該種基于矩形畫板的圖片拼圖算法很難對(duì)大量圖片中所包含的事件有一個(gè)快速準(zhǔn)確的拼接分類。在各種拼圖算法中,判斷圖像場(chǎng)景內(nèi)容的相似性是對(duì)圖片進(jìn)行分類的重要步驟?,F(xiàn)有的圖片相似性計(jì)算方法(Simakov D. , Caspi Y. , Shechtman E. , Irani M. Summarizingvisual data using bidirectional similarity. Proceeding of CVPR, 2008)通常只考慮單一的顏色、紋理等因素,該方法采用如下公式定義兩幅圖片S、T之間的相似性d(S,T)c/{S, I) = -i-V min /)(/), (J) -t V min 1)(0, P)
K p[s qJe[r p[s其中,P、Q是像素,D是像素之間顏色差異,Ns和Nt是兩幅圖片各自的像素個(gè)數(shù)。通過這種方法計(jì)算的相似性,僅能夠描述兩幅圖片色彩上的一致性,體現(xiàn)不出兩幅圖片是否在相同或相近的時(shí)間、地點(diǎn)拍攝,導(dǎo)致相似性判斷的不準(zhǔn)確,進(jìn)而導(dǎo)致圖片不能準(zhǔn)確的分類拼接的問題。為了獲取更緊湊的拼圖表示形式,現(xiàn)有的拼圖方法通常從圖片中提取視覺重要的區(qū)域,即進(jìn)行圖像重要性區(qū)域檢測(cè),只將感興趣的重要部分進(jìn)行拼接。目前的圖像重要性區(qū)域檢測(cè)方法(Cheng Μ. Μ. , Zhang G. X. , Mitra N. J. , Huang X. L. , Hu S. Μ. Global contrastbased salient region detection. Proceeding of CVPR, 2011.)只是分析單幅圖像內(nèi)部各像素之間的對(duì)比度,在對(duì)顏色分布進(jìn)行直方圖量化后,選取直方圖中出現(xiàn)頻率少、顏色差異大的方格對(duì)應(yīng)的像素為重要性區(qū)域。其計(jì)算公式為K(/,) = Y(P1) = tj'JKp” P)
I=I其中對(duì)于給定圖片PiJ(Ik)為對(duì)于顏色為Pi的像素Ik,其在自身圖片中的重要性η是像素的個(gè)數(shù),I是像素索引,D是顏色空間的距離,fx代表顏色出現(xiàn)的頻率,P1代表像素顏色。
這種方法雖然可以判斷單幅圖像中最容易引起關(guān)注的前景區(qū)域,但通常會(huì)過濾掉背景中的重要的場(chǎng)景物體,從而不能準(zhǔn)確反映拍攝圖片重要的地點(diǎn)信息,進(jìn)而導(dǎo)致圖片不能準(zhǔn)確的分類拼接的問題。
發(fā)明內(nèi)容
為了解決傳統(tǒng)拼圖方法很難對(duì)大量圖片中所包含的事件有一個(gè)快速準(zhǔn)確的拼接分類的問題,本發(fā)明提出一種基于改進(jìn)算法的圖片拼接方法,能夠?qū)D片記錄的事件發(fā)展過程有更清晰的展示。該方法通過分析和提取圖片中的人物、時(shí)間、地點(diǎn)、情節(jié)等敘事屬性,將圖片按層次結(jié)構(gòu)組織,形成圖片的層次拼接。本發(fā)明具體的實(shí)現(xiàn)過程如下一種基于改進(jìn)算法的圖片拼接方法,該方法包括如下步驟步驟一、圖片讀??;按照?qǐng)D片拍攝的時(shí)間順序依次讀取圖片,并記錄每張圖片的拍攝時(shí)間;步驟二、人臉區(qū)域檢測(cè);依次從圖片中檢測(cè)人臉區(qū)域,并記錄人臉的數(shù)量、位置及大?。徊襟E三、圖片相似性計(jì)算;對(duì)于每張圖片P,采用直方圖統(tǒng)計(jì)方法計(jì)算其顏色直方圖h和采用GIST方法計(jì)算形狀符g ;計(jì)算步驟一讀取的所有圖片中每兩張圖片Pi和P」的圖片相似性Sij
( , (H1-Hi)2Λ5.. =-exp {g.-gj) + w, ·+ W2 · (/,. - Ijy
V+hj其中exp是指數(shù)函數(shù),ti和tj分別對(duì)應(yīng)圖片Pi和Pj的拍攝時(shí)間,W1, W2是加權(quán)因子;步驟四、獲取圖片敘事層次;根據(jù)圖片之間的相似性Su,采用信息傳遞聚類算法對(duì)步驟一中所有的圖片進(jìn)行聚類運(yùn)算,得到多個(gè)聚類中心,將聚類中心作為情節(jié);將處于聚類中心的情節(jié)圖片按拍攝時(shí)間進(jìn)行排列,從而得到第一層次的圖片敘事層次;針對(duì)處于第一層次的每兩張相鄰圖片,從步驟一讀取的圖片中,獲取這兩張相鄰圖片之間的圖片,并采用所述信息傳遞聚類算法得到聚類中心,將得到的處于聚類中心的情節(jié)圖片按照按拍攝時(shí)間排列,得到第二層次的圖片敘事層次;針對(duì)第二層次的圖片敘事層次進(jìn)行圖片獲取、聚類、排序的處理,得到下一層次的圖片敘事層次,以此類推,得到各層次的圖片敘事層次;每執(zhí)行一次聚類運(yùn)算同時(shí)記錄聚類中心所在聚類的所有圖片;步驟五、針對(duì)步驟一讀取的每張圖片進(jìn)行敘事重要性計(jì)算;針對(duì)每張圖片獲取其作為聚類中心的聚類,將獲取的聚類中聚類中心以外的圖片作為樣本參考圖片,對(duì)于處于聚類中心的圖片,選定任意像素Ik在自身圖片中的重要性定義為Y(IJ = Y(Pi) = JjJlDiP^Pi)
I=I其中,η是圖片中的像素個(gè)數(shù),I是像素索引,D(x,y)是顏色x和y在顏色空間的距離,fi代表顏色P1在圖片中出現(xiàn)的頻率,Pi為像素Ik的顏色,P1代表圖片中點(diǎn)I像素顏色;定義該像素Ik在樣本參考圖像中出現(xiàn)的頻率重要性為YXIk) = Υ'(ρ,) = Σ[/ log(i+/'///)]/ ,
J=I其中/'f是顏色Pi在樣本參考圖片j中的頻率,j是樣本圖像索引,nr為樣本參考圖片個(gè)數(shù);則像素Ik的敘事重要性定義為S(Ik) = S(Pi) = Y(Pi) · Y’ (Pi)針對(duì)處于聚類中心的圖片中的每種像素,獲取所述敘事重要性; 根據(jù)步驟二獲得的人臉的數(shù)量、位置及大小,從處于聚類中心的圖片中提取人臉位置,將人臉區(qū)域中的像素賦予一個(gè)補(bǔ)充敘事重要性值,并疊加到所述敘事重要性值上,從而得到每個(gè)像素最終的敘事重要性;步驟六、興趣區(qū)域裁剪;針對(duì)步驟一讀取的每張圖片,根據(jù)步驟五獲得的敘事重要性,通過動(dòng)態(tài)閾值裁剪方法計(jì)算并裁剪出興趣區(qū)域;步驟七、無縫層次拼圖;針對(duì)圖片敘事層次中的每個(gè)層次,將該層次中所有的圖片進(jìn)行無縫拼接。有益效果(I)傳統(tǒng)的拼圖方法只考慮圖片布局的協(xié)調(diào)性,不能夠很好的表現(xiàn)圖片記錄事件的發(fā)展過程,而本發(fā)明方法可以將圖片按事件發(fā)展的順序進(jìn)行無縫拼接;具體從數(shù)碼圖片中提取相關(guān)的人物、時(shí)間、地點(diǎn)、情節(jié)等敘事要素,將其進(jìn)行多層次組織,形成對(duì)圖片的層次拼接。(2)為了解決現(xiàn)有技術(shù)中圖片相似性計(jì)算不準(zhǔn)確的問題,本發(fā)明采用了改進(jìn)的相似性計(jì)算方法,除考慮傳統(tǒng)的圖片顏色特征,還考慮了反映拍攝時(shí)間、地點(diǎn)場(chǎng)景相似程度的度量在相同或相近時(shí)間、地點(diǎn)拍攝的圖片的相似性會(huì)更高。通過綜合顏色、地點(diǎn)、時(shí)間等多方面特征,可以將圖片的主要內(nèi)容反映出來,提高相似性計(jì)算的準(zhǔn)確性,獲取圖片時(shí)間、地點(diǎn)等信息的一致性。由此得到的圖片分類拼接更加準(zhǔn)確,進(jìn)而能夠更有效的反映圖片所記錄事件的發(fā)展過程,便于圖片的拼接瀏覽。(3)由于人們?cè)谀骋坏攸c(diǎn)拍攝圖片時(shí),通常會(huì)選擇不同角度、焦距等進(jìn)行拍攝,從而在內(nèi)容相似的幾張圖片中出現(xiàn)重復(fù)的物體。這些重復(fù)物體,能夠充分體現(xiàn)圖片的拍攝意圖,反映拍攝的場(chǎng)景信息。本發(fā)明提出的重要性區(qū)域檢測(cè)計(jì)算方法是基于圖片拍攝的特點(diǎn),在單幅圖像重要性區(qū)域檢測(cè)計(jì)算方法(即背景技術(shù)中所采用的重要性計(jì)算方法)的基礎(chǔ)上,綜合內(nèi)容相似的幾幅圖片的重要性分布,在采用基于整體對(duì)比度的單幅圖片重要性區(qū)域檢測(cè)基礎(chǔ)上,進(jìn)一步分析內(nèi)容相似的圖片之間各自獨(dú)立的重要性檢測(cè)的關(guān)聯(lián)程度,通過獲取單幅圖片出現(xiàn)頻率低、對(duì)比度聞,而在多幅圖片中出現(xiàn)頻率聞的像素,計(jì)算圖片中包含的最重要的場(chǎng)景物體信息,得到圖片的重要性區(qū)域。
圖I是本發(fā)明圖片拼接方法的流程圖2是具有相似屬性的圖片聚類結(jié)果;圖3是第一層次的圖片敘事層次;圖4是遞歸所得的各層次的圖片敘事層次結(jié)果;圖5是基于樣本圖片的敘事重要性計(jì)算結(jié)果;圖6是圖片無縫拼接結(jié)果;圖7是拼接圖片的顯示。
具體實(shí)施例方式下面結(jié)合附圖I對(duì)本發(fā)明方法的實(shí)施方式做詳細(xì)說明。 一種基于改進(jìn)算法的圖片拼接方法,該方法首先對(duì)給定的數(shù)碼相冊(cè)中的每張圖片,通過人臉檢測(cè)方法提取人物屬性信息,記錄數(shù)量、區(qū)域位置與大??;通過讀取EXIF(Exchangeable image file format)中的日期信息,記錄圖片拍攝的時(shí)間;通過定義圖片的顏色直方圖和形狀符,計(jì)算兩張圖片之間的地點(diǎn)屬性的相似性;通過人物、時(shí)間、地點(diǎn)信息對(duì)圖片聚類,借助聚類中心獲取情節(jié)屬性;對(duì)于情節(jié)之間的圖片遞歸的按照人物、時(shí)間、地點(diǎn)屬性進(jìn)行聚類,獲得所有圖片的層次敘事結(jié)構(gòu);通過在相似圖片中提取共性內(nèi)容,計(jì)算圖片的敘事重要性區(qū)域,并進(jìn)行矩形裁剪得到興趣區(qū)域;按時(shí)間順序?qū)⑴d趣區(qū)域排列拼接,進(jìn)行無縫融合得到包含事件發(fā)展過程的拼圖,具體流程圖如圖I所示。一種基于改進(jìn)算法的圖片拼接方法,其具體實(shí)現(xiàn)過程如下步驟一、圖片讀?。话凑?qǐng)D片拍攝的時(shí)間順序依次讀取圖片,并記錄每張圖片的拍攝時(shí)間。步驟二、人臉區(qū)域檢測(cè);為了獲得步驟一讀取的圖片中的人物信息,采用經(jīng)典的人臉檢測(cè)算法(ViolaP. , Jones Μ. : Rapid object detection using a boosted cascade of simple features.In Proc. CVPR, 2001)檢測(cè)圖片中的人臉區(qū)域,并記錄人臉的數(shù)量、位置以及大小。步驟三、圖片相似性計(jì)算;雖然現(xiàn)有的一些高端攝像機(jī)配備GPS裝置,可以直接獲取拍攝的地點(diǎn)信息。但這類相機(jī)價(jià)格昂貴,而且記錄的地點(diǎn)信息精度不高,難以獲取一般用戶采用低端相機(jī)拍攝圖片的地理屬性信息。為此,采用分析比較圖片相似性的方法來對(duì)圖片進(jìn)行分類,進(jìn)而將場(chǎng)景相近的圖片劃分為具有相近地點(diǎn)屬性的集合。傳統(tǒng)的圖片相似性計(jì)算方法通常只考慮單一的顏色、紋理等因素,缺乏對(duì)敘事元素的考慮;我們通過綜合多種因素的相似性度量,計(jì)算圖片的敘事相似性。對(duì)于每張圖片Pi,采用簡單的直方圖統(tǒng)計(jì)方法計(jì)算其顏色直方圖hi,然后米用 GIST 方法(Oliva A. , Torralia A. :Modeling the shape of the scene:aholistic representation of the spatial envelope. Int. J. Comput. Vision 42,3,145 -175,2001)計(jì)算形狀符gi。那么,給定的步驟一種的每兩張圖片Pi和P」,定義一種嶄新的基于敘事屬性的圖片相似性Sij為
( , (Λ,-Α,-)2ΛSij = - exp (g- — ☆ ;Γ + W1 · ^ + W2 · (/, — Ij)_
Vi JJ其中exp是指數(shù)函數(shù),ti和tj分別對(duì)應(yīng)圖片Pi和Pj的拍攝時(shí)間,W1, W2是加權(quán)因子,取值為大于O小于I的實(shí)數(shù)。在本實(shí)施例中,為了圖片的相似性Su計(jì)算更加準(zhǔn)確,較佳地選取 W1 = O. 2, w2 = O. 2。目前的圖片相似性計(jì)算方法大多從圖像本身的顏色、紋理等像素級(jí)別的特征考慮,所計(jì)算的圖片相似性缺乏場(chǎng)景內(nèi)容上的關(guān)聯(lián),不能夠反應(yīng)圖片拍攝時(shí)間、地點(diǎn)等高級(jí)語義信息的一致性,從而造成按相似性分類準(zhǔn)確性較低,在圖片瀏覽時(shí)產(chǎn)生跳躍性。上式采用的相似性計(jì)算方法,除考慮傳統(tǒng)的圖片顏色特征,還考慮了反映拍攝時(shí)間、地點(diǎn)場(chǎng)景相似程度的度量。通過綜合顏色、地點(diǎn)、時(shí)間等多方面特征,可以獲得更準(zhǔn)確的圖片相似性計(jì)算,由此得到的圖片分類更加準(zhǔn)確,能夠更有效的反映圖片所記錄事件的發(fā)展過程。步驟四、獲取圖片敘事層次;根據(jù)圖片之間的相似性Sij,采用信息傳遞聚類算法(Frey B. J.,DueckD. :Clustering by passing messages between data points.Science 315,972 -976,2007.)對(duì)步驟一中所有的圖片進(jìn)行聚類運(yùn)算,得到多個(gè)聚類中心。如圖2所示,具有相似人物、時(shí)間、地點(diǎn)屬性的圖片分為同一聚類,對(duì)應(yīng)相應(yīng)的事件進(jìn)程,從聚類中選取有代表性的盡可能包含人物信息的作為聚類中心,圖中處于中心的圖片是聚類中心。將處于聚類中心的情節(jié)圖片按拍攝時(shí)間進(jìn)行排列,從而得到第一層次的圖片敘事層次,如圖3所示。針對(duì)處于第一層次的每兩張相鄰圖片,從步驟一讀取的圖片中,獲取這兩張相鄰圖片之間的圖片,并采用所述信息傳遞聚類算法得到聚類中心,將得到的處于聚類中心的情節(jié)圖片按照按拍攝時(shí)間排列,得到第二層次的圖片敘事層次。針對(duì)第二層次的圖片敘事層次進(jìn)行圖片獲取、聚類、排序的處理,得到下一層次的圖片敘事層次,以此類推,得到各層次的圖片敘事層次。 每執(zhí)行一次聚類運(yùn)算同時(shí)記錄聚類中心所在聚類的所有圖片。如圖4所示,每一行代表一個(gè)層次的聚類中心,而位于相鄰情節(jié)之間的圖片通過圖片獲取、聚類、排序的處理生成下一層次的情節(jié)圖片,圖中Hl代表第一層次的圖片敘事層次,以此類推生成第H2至第H4層次的圖片敘事層次。步驟五、針對(duì)步驟一讀取的每張圖片進(jìn)行敘事重要性計(jì)算;針對(duì)每張圖片獲取其作為聚類中心的聚類,將獲取的聚類中聚類中心以外的圖片作為樣本參考圖片,對(duì)于處于聚類中心的圖片,選定任意像素Ik在自身圖片中的重要性定義為Wk) = Y(P1) =
/=1其中,η是圖片中的像素個(gè)數(shù),I是像素索引,D(x,y)是顏色x和y在顏色空間的距離,fi代表顏色P1在圖片中出現(xiàn)的頻率,Pi為像素Ik的顏色,P1代表圖片中點(diǎn)I像素顏色;定義該像素Ik在樣本參考圖像中出現(xiàn)的頻率重要性為YXh) = Υ'(ρ,) = Σ[/ iog(i+/f//)]/ r
/=1其中f是顏色Pi在樣本參考圖片j中的頻率,j是樣本圖像索引,為樣本參考圖片個(gè)數(shù)。則像素Ik的敘事重要性定義為S(Ik) = S(Pi) = Y(Pi) · Y’ (Pi)針對(duì)處于聚類中心的圖片中的每種像素,獲取所述敘事重要性。
根據(jù)步驟二獲得的人臉的數(shù)量、位置及大小,從處于聚類中心的圖片中提取人臉位置,將人臉區(qū)域中的像素賦予一個(gè)補(bǔ)充敘事重要性值,并疊加到所述敘事重要性值上,從而得到每個(gè)像素最終的敘事重要性。 上述計(jì)算過程中,當(dāng)聚類中只有一副圖片時(shí),就沒有樣本參考圖片,就不用計(jì)算Y’(Ik),則像素Ik的敘事重要性為S(Ik) = S(Pi) = Y(Pi)。 通過上述公式可以定義圖片的敘事重要性。如圖5所示,從左至右依次為輸入圖像、敘事重要性計(jì)算結(jié)果以及樣本參考圖片,其中從左至右第二張圖片中覆蓋人臉的小光斑正好顯示了敘事重要性計(jì)算結(jié)果。
目前的圖片重要性區(qū)域檢測(cè)方法只是針對(duì)單張圖片作為輸入進(jìn)行,通過分析圖片內(nèi)像素之間的顏色對(duì)比度計(jì)算特征突出的部分作為重要性區(qū)域,雖然可以判斷單幅圖像中最容易引起關(guān)注的區(qū)域,但通常不能準(zhǔn)確反映拍攝圖片重要的地點(diǎn)信息。上面的計(jì)算方法則是綜合內(nèi)容相似的幾幅圖片的重要性分布,在單幅圖片重要性區(qū)域檢測(cè)基礎(chǔ)上,通過進(jìn)一步分析圖片之間各自獨(dú)立的重要性檢測(cè)結(jié)構(gòu)的關(guān)聯(lián)程度,計(jì)算能夠反應(yīng)圖片中包含的最重要的場(chǎng)景物體信息。通過這種方法計(jì)算的重要性區(qū)域,不僅可以保留單幅圖片由對(duì)比度產(chǎn)生視覺突出的重要區(qū)域,而且能夠更準(zhǔn)確的反映圖片記錄事件中重要的地標(biāo)信息,生成更準(zhǔn)確的重要性區(qū)域。步驟六、興趣區(qū)域裁剪;針對(duì)步驟一讀取的每張圖片,根據(jù)步驟五獲得的敘事重要性,通過動(dòng)態(tài)閾值裁剪方法(Suh B. , Ling H. B. , Bederson B. B. , Jacobs D. W. :Automatic thumbnail croppingand its effectiveness. ACM symposium on User interface software and technology,95 - 104,2003.)計(jì)算并裁剪出包圍最多重要性的最小矩形區(qū)域作為興趣區(qū)域。步驟七、無縫層次拼圖;針對(duì)圖片敘事層次中的每個(gè)層次,將該層次中所有的圖片進(jìn)行無縫拼接。其中,無縫拼接的方法可采用透明通道泊松融合方法(Rother C. , BordeauxL. , Hamadi Y. , Blake A. ACM Transactions on Graphics, 25(3):847-852, 2006)。拼接過程中相鄰圖片之間設(shè)置30個(gè)像素的重疊區(qū)域。如圖6所示,第一行為按時(shí)間順序排列的圖片,相鄰圖片設(shè)置30個(gè)像素重疊區(qū)域;第二行為無縫拼接后的拼圖結(jié)果。步驟八、拼接圖片的顯示;首先顯示圖片敘事層次中的第一層次無縫拼接后的圖片,根據(jù)用戶的指示,展開顯示用戶選定兩幅圖片之間的下一層次的無縫拼接后的圖片,以此類推,根據(jù)用戶指示進(jìn)行各層次無縫拼接后的圖片顯示。如圖7所示,圖中最后一層即為無縫拼接后顯示的第一層次,根據(jù)用戶的指示,可以顯示第二層次的無縫拼接結(jié)果,以此類推,顯示各個(gè)層次的無縫拼接結(jié)果。所述的顯示包括樹形顯示或者加在兩幅圖片之間進(jìn)行條形顯示。所述的用戶指示可以在兩幅圖片之間設(shè)置一個(gè)按鈕來實(shí)現(xiàn)。其中,需要說明的是由于圖片放置的位置的空間有限,圖中采用空白部分代表圖片拼接結(jié)果的省略。
權(quán)利要求
1.一種基于改進(jìn)算法的圖片拼接方法,其特征在于,該方法包括如下步驟 步驟一、圖片讀?。? 按照?qǐng)D片拍攝的時(shí)間順序依次讀取圖片,并記錄每張圖片的拍攝時(shí)間; 步驟二、人臉區(qū)域檢測(cè); 依次從圖片中檢測(cè)人臉區(qū)域,并記錄人臉的數(shù)量、位置及大小; 步驟三、圖片相似性計(jì)算; 對(duì)于每張圖片P,采用直方圖統(tǒng)計(jì)方法計(jì)算其顏色直方圖h和采用GIST方法計(jì)算形狀符g ;計(jì)算步驟一讀取的所有圖片中每兩張圖片Pi和P」的圖片相似性Sij
2.如權(quán)利要求I所述的一種基于改進(jìn)算法的圖片拼接方法,其特征在于步驟三中,力口權(quán)因子 W1 = O. 2, W2 = O. 2。
3.如權(quán)利要求I所述的一種基于改進(jìn)算法的圖片拼接方法,其特征在于該方法進(jìn)一步包括對(duì)拼接圖片的顯示 首先顯示圖片敘事層次中的第一層次無縫拼接后的圖片,根據(jù)用戶的指示,展開顯示用戶選定兩幅圖片之間的下一層次的無縫拼接后的圖片,以此類推,根據(jù)用戶指示進(jìn)行各層次無縫拼接后的圖片顯示。
4.如權(quán)利要求I所述的一種基于改進(jìn)算法的圖片拼接方法,其特征在于無縫拼接采用采用透明通道泊松融合方法處理圖片重疊區(qū)域。
5.如權(quán)利要求I所述的一種基于改進(jìn)算法的圖片拼接方法,其特征在于步驟七中,相鄰圖片之間設(shè)置30個(gè)像素的重疊區(qū)域。
全文摘要
為了解決傳統(tǒng)拼圖方法很難對(duì)大量圖片中所包含的事件有一個(gè)快速準(zhǔn)確的拼接分類的問題,本發(fā)明提出一種基于改進(jìn)算法的圖片拼接方法,屬于圖像處理領(lǐng)域。該方法通過分析和提取圖片中的人物、時(shí)間、地點(diǎn)、情節(jié)等敘事屬性,將圖片按層次結(jié)構(gòu)組織,形成圖片的層次拼接;此外該方法還提出一種新的照片相似性計(jì)算和敘事重要性區(qū)域檢測(cè)方法,能夠更好的實(shí)現(xiàn)按照敘事元素的照片分類和緊湊的拼圖表示。
文檔編號(hào)G06T7/00GK102881032SQ20121034307
公開日2013年1月16日 申請(qǐng)日期2012年9月14日 優(yōu)先權(quán)日2012年9月14日
發(fā)明者張磊, 黃華 申請(qǐng)人:北京理工大學(xué)