當(dāng)今社會,手機、平板電腦等智能移動設(shè)備已被廣泛使用。顯示器作為智能移動設(shè)備中人機交互不可或缺的界面,主要分為非自發(fā)光顯示器和自發(fā)光顯示器。有機發(fā)光二極管（Organic Light-Emitting,OLED）作為一種新興的自發(fā)光顯示器技術(shù),不同于傳統(tǒng)的非自發(fā)光顯示器,每一個像素都可以提供光源,可以單獨調(diào)節(jié),易于有效控制電池消耗。因此,目前應(yīng)用OLED自發(fā)光顯示器的功率約束圖像增強算法是一個研究熱點。現(xiàn)有的功率約束圖像增強算法有2個明顯的不足之處。第一,現(xiàn)有的方法都是直接將整張圖片進行調(diào)整,影響視覺感受。第二,省電的程度較小。因此,如何達到既不影響視覺效果,又可以使智能移動設(shè)備耗電量有效降低,是本文研究解決的問題�；谝曈X心理學(xué),顯示器內(nèi)容中的圖像信息亮度的降低對人類視覺感受的影響比較大,而文本和空白等信息亮度的降低對視覺感受的影響相對較小。本文將移動設(shè)備顯示器內(nèi)容分成圖像區(qū)域和非圖像區(qū)域。目前最先進、使用最廣泛的圖像語義分割方法是全卷積網(wǎng)絡(luò)（Fully Convolutional Networks,FCN）,FCN進行圖像區(qū)域和非圖像區(qū)域的語義分割操作,出現(xiàn)了預(yù)測圖片大面積錯誤和邊緣... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【部分圖文】：

顯示圖像的圖像區(qū)域與非圖像區(qū)域的比較

對于每一個像素都進行了預(yù)測，保留了原始空間信息。分出的類別可以在輸出圖上直觀的顯示出來。簡單的來說，F(xiàn)CN 就是把 CNN 的全連接層換成卷積層。從理論上說，F(xiàn)CN 可以把任意網(wǎng)絡(luò)中的全連接層變?yōu)榫矸e層。但是，根據(jù) FCN 的者 Jonathan Long 在[30]對 AlexNet、VGG16 和 GoogLeNet 網(wǎng)絡(luò)進行全卷積網(wǎng)絡(luò)操作，終得出 VGG16 的分割結(jié)果最好。如圖 2-1，F(xiàn)CN 網(wǎng)絡(luò)可以將粗略的高層信息和精細的底層信息結(jié)合。池化和預(yù)測層表現(xiàn)出相對空間粒度的網(wǎng)絡(luò)顯示，同時以中間過渡作為鉛垂線。第一行（FCN-32s），一的網(wǎng)絡(luò)流，在一個單一的步驟中上采樣步長為 32 倍的方法進行預(yù)測。第二行FCN-16s），結(jié)合最后一層和 pool4（池化層第 4 層）的預(yù)測，步長為 16，在保留更的高層信息的同時，預(yù)測出更多的細節(jié)。第三行（FCN-8s），在 FCN-16s 的基礎(chǔ)上上 pool3（池化層第 3 層）的信息，步長為 8，精度進一步提高，經(jīng)實驗[30]得，F(xiàn)CN-8s實驗結(jié)果更好。

圖 3-1 基于上下文正則化的循環(huán)深度學(xué)習(xí)框架3.1.1 VGG19-FCN 網(wǎng)絡(luò)本章利用從第 1 層到第 6 層的卷積和池化操作，第 7 層的反卷積操作，作為此操作的分段過程。在卷積運算中，每個層的輸出是一個稱為特征映射的 n 維數(shù)組。由于硬件的限制，輸入圖片基于手機的屏幕大小進行等比例縮小。具體的層數(shù)如表 3-1 所示的卷積操作和表 3-2 所示的反卷積操作。


本文編號：2898486