[发明专利]基于图像分割的移动设备显示器省电方法

权利要求书

1.基于图像分割的移动设备显示器省电方法，其特征在于，包括以下步骤：

步骤1：对输入图片在VGG19-FCN网络中进行卷积操作，其中，VGG19-FCN网络由18个卷积层、5个池化层和3个反卷积层构成；具体包括以下步骤：

步骤1.1：卷积层操作，采用以下方法：

假设是第l层卷积层的第i层特征映射，定义特征映射为输入量，为输出量，即二值掩膜图，卷积操作如公式(1-1)所示：

其中，N是特征映射的总数量，是第l层卷积层的第i层卷积层的卷积核，是第l层卷积层的第i层卷积层的偏差参数；n是在中特征映射的数量，*表示为卷积操作，f(·)为激活函数；

步骤1.2：池化层最大池化操作，采用以下公式(1-3)表示：

其中，Ω(m,n)表示特征向量的空间向量的位置(m,n)，△代表在本算法框架的第7层中；

步骤1.3：反卷积层操作，采用以下方法：

将第一层卷积层的第5层的输出量反卷积到原图大小，再将第一层卷积层的第4层的输出和第3层的输出量也依次反卷积，得到反卷积操作用公式(1-4)表示：

其中是第l层卷积层的第i层卷积层的卷积核，表示为反卷积操作；

步骤1.4：调整学习率，采用以下方法：

学习率的调整如公式(1-5)所示：

其中，R_t为学习率，ε是触发衰减的阈值，t为变化计数，t＝0，1，2，3；α为衰减指数；ρ＝0.90；

步骤2：对卷积层输出的二值掩膜图上下文正则化操作，具体包括以下步骤：

步骤2.1：定义为在位置(m,n)的像素，X^g是灰度图，则X^g在位置(m,n)的像素I(m,n)为：

其中，η是最原始的误差，η为：

其中，为最小化误差参数η，表示Frobenius范数操作；

步骤2.2：定义约束函数：

其中，是像素周围8个方向的像素；

步骤2.3：定义权重函数W(m,n)：

当W(m,n)＝0时，m和n之间的相应上下文约束将被取消；

步骤2.4：基于两个相邻像素的向量之间的平方差的方法，构造权重函数W(m,n)：

其中，σ为规定参数，σ＝0.5，I(m+Δm,n+Δn)为X^g的输入像素周围8个方向的像素；

步骤2.5：在图像域中加入加权上下文约束，改写公式(1-9)为：

其中，ω代表8个所在位置的像素的不同方向；

步骤2.6：定义高阶滤波器D_Δm,Δn，使D_Δm,Δn在每一个位置(Δm,Δn)的值都满足：

即使D_Δm,Δn在每一个位置(Δm,Δn)的值都满足

其中，ω表示指标集，为像素的乘法算子，为卷积算子，D_Δm,Δn表示一个一阶微分算子，W_Δm,Δn表示像素在(Δm,Δn)的一个加权矩阵，||·||₁表示曼哈顿距离的评估；

步骤2.7：定义并最小化下面的目标函数，目标函数(1-14)由公式(1-7)和公式(1-13)得：

其中，ξ是平衡两个条件的正则化参数；对于符合以下公式：

步骤2.8：定义辅助变量重写公式(1-15)：

其中，β为预定义的比例因子，β的初始值β₀为1，最大值β_max为2²，通过比例因子反复增加β，使其从最小值0到最大值2²；

步骤2.9：首先，固定优化

因此，可以直接在位置(m,n)中最优化

其中，表示图像中坐标(m,n)的像素周围的8个像素中的某个像素，sign(·)是信号函数；

其次，固定优化

因为公式(1-19)是的二次方程，因此可以重写公式(1-19)：

步骤2.10：使用二维傅里叶变换和假设循环边界条件优化计算出最优解Y*：

其中，τ是傅里叶变化，τ(·)^-1是反傅里叶变化；

步骤3：循环迭代操作，包括以下步骤：

步骤3.1：在经过上下文正则化计算之后，将得出的最优解Y*与输入的RGB图片X_i^l做像素值的相乘，得到一张相乘后的图片Y；

步骤3.2：将步骤3.1中的Y作为输入，重复进行步骤1、步骤2和步骤3.1，基于Y的熵值，设置熵值临界值6.9²，使迭代从0到6.9²进行，直至预测出与真相最为接近的二值掩膜图Y’；

步骤4：根据步骤3.2的Y’，将OLED自发光显示器显示的图片的图像区域保持不变，非图像区域进行像素亮度值的降低。