基于显著性的图像智能处理与云应用的研究

摘要

图像数字化的第一波浪潮已经结束，大数据时代已经到来，用户每天都在生产着成海量的数据，其中包括越来越多的图片、视频，用户的成像设备也在不断升级，像素级别也越来越高。用户一次出游就可以产生数百张照片占据近10G的空间。如何处理这些图像成为了众多用户亟待解决的问题。论文针对这个需求，在已有的智能自动处理技术和云计算实现方式进行了研究，基于图像显著性分析设计了新的智能自动处理方法，这一方法与云计算相结合，对以往的智能自动处理技术进行了改进，为用户的图像存储和处理提供帮助。
　　论文选择了主流图像处理软件Photoshop中的图像自动处理算法作为基础图像处理方法进行比较，在图像众多调整参数中选择了曝光这一参数的调整作为详细实例。使用图像显著性分析方法中的SPK方法进行图像显著性分割，结合分割结果进行进一步分析给出有针对性的差异处理，改进自动曝光算法，使之智能化。比较了改进后的算法与之前的算法在多种情况下的结果，并进行了分析。为了解决显著性分割耗费大量计算资源的问题，论文对将这套方法架设在云端的方法进行了研究，采用了Amazon的AWS服务，利用S3进行存储，EC2进行高效运算。论文对用户在云端使用智能自动调整方法进行了产品设计，设计了用户界面，功能模块及工作流。
　　论文创新地将显著性分割和图像的调整在实际应用中结合起来，提高了图像调整的质量，并通过应用云计算技术解决了方法占用用户时间和运算资源等问题，并允许用户多设备登陆浏览管理和编辑自己的图像资产，提高了友好性。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 研究背景与意义

1.2 国内外研究概况

1.3 论文的主要研究内容

2 关键技术研究

2.1 基于灰度直方图的曝光控制方法

2.2 图像的显著性分析与分割

2.2.1 视觉显著性的特征

2.2.2 利用视觉显著性形成显著图的方法

2.3 云计算技术在处理中的应用与实现

2.3.1 云计算服务的基础架构

2.3.2 EC2技术核心

2.3.3 S3的技术结构

2.4 本章小结

3 基于显著性分割的智能调整

3.1 基于显著性分割的曝光调整方法

3.2 显著性智能调整结果与自动调整结果对比

3.3 结果分析与对图像其它参数拓展

3.4 本章小结

4 显著性智能调整技术的云计算优化

4.1 智能调整云端用户界面与功能模块

4.2 智能调整云应用的技术结构

4.3 本章小结

5 总结与展望

5.1 全文总结

5.2 展望

致谢

参考文献