基于Seam Carving技术的图像缩放改进算法研究
图像压缩算法的改进与应用研究
图像压缩算法的改进与应用研究图像压缩是计算机图像处理中的一项重要技术，它通过对图像进行编码压缩，从而减小图像文件的大小，实现图像传输和储存的高效性。
虽然已经存在很多压缩算法，但是随着计算机技术不断地发展和提升，压缩算法的改进和应用已成为计算机图像科技研究的热点领域。
那么，如何改进图像压缩算法，并将改进后的算法应用到实际中？本文将从理论和实践的角度，对图像压缩算法的改进和应用进行探讨。
一、压缩算法的分类和概述图像压缩算法可以分为有损压缩算法和无损压缩算法。
有损压缩算法是通过去掉图像中的冗余或者不必要的信息，并对像素值进行分布调整来实现对图像的压缩的，这样压缩的过程中会改变原图的质量。
而无损压缩算法是在完全不改变原图像的情况下，通过对像素点的重新编码来实现对图像的压缩。
无损算法保持了原始图像的全部信息，但是压缩率一般较低。
图像压缩主要分为两个步骤，解决了压缩和解压缩的过程，下面是压缩和解压缩过程的大致描述：压缩过程：1.采集原始图像2.利用离散余弦变换（DCT）将图像分解为频域分量3.量化频域分量，实行熵编码解压缩过程：1.得到压缩数据2.利用熵解码得到量化的频域分量3.通过离散余弦逆变换（IDCT）重建出原始图像二、压缩算法的改进1.基于深度神经网络的压缩算法深度神经网络是一个有效的模式识别方法，可以对图像进行压缩，并且不会影响图像的质量。
文章中利用了卷积神经网络（CNN）和生成对抗网络（GAN）作为图像分解和重建的基础模型，实现高效的图片压缩和恢复。
该方法在通过减少卷积滤波器的数量，减少神经元的数量以减少参数数量的情况来实现压缩率。
该方法的优点在于，可以通过调整网络中的参数来改变压缩率，并且不会影响图像的清晰度和质量。
2.借鉴图像复制技术的压缩算法该方法基于整数变化域的二进制-渐变膨胀提出了一种新的压缩方法。
具体上，该方法利用图像复制技术，在原始图像的基础上生成固定大小的副本，通过对这些副本的变化来获得两个矢量量化器（VQ）的压缩位，最后通过计算副本与原始图像之间的误差来恢复原始图像。
基于信息科学的图像压缩算法改进研究
基于信息科学的图像压缩算法改进研究图像压缩是一种在现代信息时代中广泛应用的技术。
通过减少图像文件的存储空间，图像压缩可以方便快捷地在网络传输，图像处理和存储方面使用。
在信息科学的指导下，研究人员一直致力于改进现有的图像压缩算法，以提高图像质量和压缩率的平衡。
本文将基于信息科学的观点，探讨图像压缩算法改进的相关研究。
首先，我们来了解一下图像压缩技术的基本原理。
图像压缩主要分为有损压缩和无损压缩两种类型。
有损压缩通过丢弃一些图像信息来达到压缩的目的，例如JPEG压缩。
而无损压缩通过重新编码图像数据，在保留完整信息的同时减小文件大小，例如GIF和PNG压缩。
在信息科学的指导下，改进图像压缩算法既要考虑压缩率的提高，也要关注图像质量的保持，以满足用户对图像的需求。
在图像压缩算法改进中，一种常见的方法是基于变换编码的思想。
这种方法的基本思想是将图像从空间域转换到频域，然后利用频域数据的特性进行编码。
例如，离散余弦变换（Discrete Cosine Transform, DCT）是JPEG压缩中常用的一种变换。
DCT能够将图像数据转换为一组频率分量，高频的部分将被量化和压缩，从而减小文件大小。
研究者们通过改进变换算法，如小波变换，奇异值分解等，进一步提高了图像压缩算法的效果。
此外，向量量化（Vector Quantization, VQ）也是图像压缩中应用较广泛的方法之一。
VQ是一种将一组相似的图像块用一个代表向量来表示的方法。
通过聚类和编码，相似的图像块可以共享相同的代表向量，从而减小了存储空间。
研究者们通过优化聚类算法，改进代表向量的选择和编码方法，提高了VQ的压缩效果。
除了以上方法，研究者们还利用了一些机器学习和深度学习的技术来改进图像压缩算法。
例如，卷积神经网络（Convolutional Neural Network, CNN）可以通过学习图像的特征来实现更好的压缩效果。
通过在大量图像数据上进行训练，CNN可以学习到图像的高级特征，并用较少的数据表示来表达图像。
图像缩放算法的研究与FPGA设计
ｗｈｏｌｅ ｓｔｒｕｃｔｕｒｅ ｏｆ ｓｃａｌｅｒ ｉｓ ｄｅｓｉｇｎｅｄ ｓｔａｒｔｉｎｇ、析ｍ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｓｃａｌｉｎｇ ｃｏｒｅ．Ｉｔ ａｌｓｏ
ｂｒｉｎｇｓ ｕｐ ａ ｎｅｗ ｏｐｔｉｍｉｚｅｄ ａｌｇｏｒｉｔｈｍ···－·－ｗｉｎｄｏｗ ｓｃａｌｉｎｇ ａｌｇｏｒｉｔｈｍ ｏｎ ｔｈｅ ｂａｓｅ ｏｆ ｒｅｓｅａｒｃｈ ｉｎ ｔｈｅ ｃｌａｓｓｉｃａｌ ｉｍａｇｅ ｓｃａｌｉｎｇ ａｌｇｏｒｉｔｈｍ ａｎｄ ｔｈｅｎ ｓｉｍｐｌｉｆｉｅｓ ｔｈｅ ｃａｌｃｕｌａｔｉｏｎ ｔｌｅｘｉｔｙ．Ｉｎ ＦＰＧＡ ｉｍｐｌｅｍｅｎｔａｔｉｏｎ，ｏｕｒ ｄｅｓｉｇｎ ｓｅｐａｒａｔｅｓ ｔｈｅ
下面对几种平板显示技术的基本特征进行概述，以比较异同及发展前景。 １．液晶显示技术（ＬＣＤ，Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ） ＬＣＤ有“第二半导体”的称谓，它具有低工作电压、功耗小、重量轻、厚度 薄、长寿命、无电磁辐射、不耀眼、抗干扰性好、抗震性能好、有效显示面积大、 适于大规模集成电路直接驱动、易于实现全彩色显示等优良特色。 液晶显示器件利用了液晶晶体各向异性产生光电效应的物理特性：在通电导 通后排列有序，使光线容易通过；不通电时排列混乱，阻止光线通过。液晶显示 技术经历了扭曲向歹ＩＪ【１２１（ＴＮ．ＬＣＤ）、超扭曲向列‘１３１（ＳＴＮ．ＬＣＤ）和薄膜晶体管
ｄｅｓｉｇｎ ｏｆ ｓｃａｌｅｒ ａｎｄ ｉｍｐｌｅｍｅｎｔｓ ｉｔｓ ｖｅｒｉｆｉｃａｔｉｏｎ ｉｎ ＦＰＧＡ．Ｏｕｒ ｓｃａｌｅｒ ｉｓ ａｂｌｅ ｔｏ ｓｕｐｐｏｒｔ ｓｃａｌｉｎｇ ｏｐｅｒａｔｉｏｎ ｔｏ ｉｍａｇｅｓ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｒｅｓｏｌｕｔｉｏｎ ｉｎ ａｄｊｕｓｔａｂｌｅ ｍｏｄｅｓ．Ｂｅｓｉｄｅｓ，ｉｔ
基于深度特征重建的图像缩放CVMJSpotlight
基于深度特征重建的图像缩放CVMJSpotlight内容敏感的图像缩放旨在改变图像分辨率的同时保持图像中的重要内容并尽量减少产生不自然的细节。
传统的图像缩放工作都是直接在图像空间上进行变换。
最新一期Computational Visual Media (CVMJ) 中刊登了基于深度特征的图像缩放工作，通过对原图像的特征图进行缩放，再使用新的特征图重构出分辨率不同的图像（如图1所示）。
图1 传统的图像空间缩放（蓝色）与深度特征空间缩放（红色）示意该工作由以色列特拉维夫大学的研究生Dov Danon，Moab Arar 和Daniel Cohen-Or教授与赫兹利亚跨学科研究中心的Ariel Shamir 教授合作完成，刊登于CVMJ第7卷第4期，并入选该期的亮点论文(spotlight paper)。
这也是Cohen-Or教授的论文第三次入选CVMJ 亮点论文。
1. 背景：内容敏感的图像缩放图像缩放是计算机图形学中一个经典的问题，为了适应不同大小和长宽比的显示器，图像会不可避免的被变形，人们希望这种变形缩放过程尽可能的保持图像中的重要区域，这就是内容敏感的图像缩放。
比如，我们希望图像中的人不会变形，但天空、草地等，变得多点、少点是不要紧的。
2007年，Ariel Shamir教授提出著名的接缝裁剪(Seam Carving)算法[2]，使得内容敏感的图像缩放成为研究热点。
Seam是自上而下(或自左而右)的一条连续的像素链，其中，每行(或列)仅含一个像素。
我们希望找到一条接缝，使得沿着该缝裁剪时，画面影响最小，从而图像被变窄了一行或一列。
一个简单的做法就是让接缝上每个像素的相邻两个像素的差的平方和最小。
图2 图像的Seam Carving Ariel Shamir教授这个工作开启做了这个研究热点，后续有大量的研究，该论文被引用了2413次。
2. 基于深度特征的图像缩放使用预训练的VGG19神经网络可以得到图片I 的一系列不同尺度的深度特征F(I)，作者将已有的内容敏感图像缩放方法应用于特征图F(I)上。
基于深度学习的图像缩放技术研究与应用
基于深度学习的图像缩放技术研究与应用图像是人类视觉感知中的一种重要载体，它能够记录下时间与空间的信息，带给我们视觉上的体验。
在数字化时代，人们通过电子设备捕捉到的图像数量与清晰度不断提升，这为图像处理技术开辟了无限的可能。
图像缩放技术是一种常见的图像处理方式，它即可应用于增大图片体积，也可用于减小图片尺寸。
缩放技术旨在调整图像大小同时保证图像信息的完整性，防止因缩放造成的失真与模糊。
近年来，随着深度学习技术的不断发展，深度学习在图像缩放领域也得到了广泛的应用。
一、传统的图像缩放技术传统的图像缩放技术主要是通过插值算法来实现的。
先将原始图像分割成小块，然后根据需要放大或缩小的比例对小块进行处理，最后再拼接起来复原成新的图像。
常用的插值算法有邻域插值、双线性插值和双三次插值。
其中邻域插值是最简单的算法，不过它的效果较差。
双线性插值算法相对于邻域插值算法来说，增加了方向性的变化，使得图像的平滑度得到了提高。
而双三次插值算法则会更加复杂，它可以进一步提高图像的质量。
虽然传统的图像缩放技术在某些情况下可以得到较好的效果，但在一些复杂的场景下，传统技术却显得无能为力。
此时，深度学习技术的出现提供了一种新的解决方案。
二、基于深度学习的图像缩放技术基于深度学习的图像缩放技术，主要是通过神经网络来进行图像处理的。
与传统的图像处理技术相比，深度学习有着更加优秀的模拟能力和数据学习能力。
将深度学习应用于图像缩放技术主要是通过模型的训练来实现的。
首先，需要构建一种特定的深度学习模型，然后通过对模型进行训练，使其可以对新的图像进行有效地缩放处理。
最后，将训练好的模型应用于图像处理任务中，来达到提高图像质量的目的。
三、基于深度学习的图像超分辨率技术图像超分辨率技术是图像处理领域中的一种技术，它旨在通过改变图像的尺寸，从而提高图像的清晰度和细节等级。
基于深度学习的图像超分辨率技术利用深度学习模型来实现图像的超分辨率处理。
该技术可以有效提高图像的细节和清晰度，让图像更加逼真。
图像无级平滑缩放算法研究
图像无级平滑缩放算法研究
陈忠;赵忠明
【期刊名称】《光电子．激光》
【年(卷),期】2006(17)3
【摘要】在大幅面激光加工中,需要对原始图像进行缩放处理,但当图像放大时会出现马赛克的边缘效应。
为解决这个问题,根据矢量在缩放过程中保持特征不变性的特点,以二值图像为例,提出一种行之有效的图像平滑无级缩放算法。
该算法过程为:对原始图像进行边界提取;利用Hough变换提取边界的拐点;判别拐点间线的类型并计算控制点;对边界控制点进行缩放运算并拟合边界线;利用活性边表填充算法填充区域。
利用该算法能很好地解决图像缩放所带来的边缘效应,方法简单有效,并在大幅面激光加工中取得了良好的应用。
【总页数】3页(P361-363)
【关键词】缩放;边界提取;Hough变换;道格拉斯-皮克算法;B样条;区域填充【作者】陈忠;赵忠明
【作者单位】中科院遥感应用研究所图像室
【正文语种】中文
【中图分类】TN911.73
【相关文献】
1.保持图像宽高比的图像缩放算法研究 [J], 王成
2.基于SAA7114H的图像无级缩放功能的实现 [J], 徐小梅;冯彬彬;王珩
3.基于Seam Carving的图像自适应缩放算法研究 [J], 黄金凤;陈小娥
4.实现图像缩放功能的Matlab插值算法研究与比较 [J], 丁雪晶
5.点阵汉字平滑无级缩放技术 [J],
因版权原因，仅展示原文概要，查看原文内容请购买。
结合美学原则的内容感知图像缩放算法
2017，53（4）1引言随着智能终端的普及，一幅图像经常需要改变自身的分辨率来满足各种显示终端的输出。
传统的图像缩放技术，如图像裁剪（crop ），由于只考虑了图像的大小，在裁剪过程中会造成大量图像信息的丢失。
为了解决这些问题，近几年出现的内容感知图像缩放算法将缩放的重点放在了对图像重要内容的保护上，减少了图像缩放产生的失真。
最具代表性的内容感知图像缩放算法是2007年由Avidan 等提出的SC 算法（Seam Carving ）[1]。
该算法将图像的缩放操作集中在图像的背景区域，通过对背景区域线条进行连续的复制或删除达到对图像的放大或缩小，由于以梯度值作为重要度图的生成依据，SC 算法容易造成物体扭曲；2009年，Rubinstein 等人提出多操作算法[2]，该算法结合传统裁剪、等比例缩放、SC 裁剪三种操作，通过计算最优操作序列来完成图像缩放，但是算法耗时过长；同年Pritch 等人提出的shift-map 方法[3]通过同时处理多条SC 裁剪线，能很好地保持图像的结构，但是不足之处是可能造成语义上的错误[4]。
目前，对于内容感知图像缩放技术的改进主要集中在对图像重要物体的识别上[5-6]，忽略了美学价值对于缩放结果的影响。
虽然近期也有一些考虑美学效果的算法出现[7-8]，但是这些算法针对的是传统图像裁剪方法，因此结合美学原则的内容感知图像缩放算法朱鹭伟，陈昭炯ZHU Luwei,CHEN Zhaojiong福州大学数学与计算机科学学院，福州350108College of Mathematics and Computer Science,Fuzhou University,Fuzhou 350108,ChinaZHU Luwei,CHEN Zhaojiong.Content aware image resizing algorithm using aesthetic puter Engineering and Applications,2017,53（4）：189-194.Abstract ：The lack of considering aesthetic values is the major drawback of existing image resizing algorithms.To deal with this problem,a content aware image resizing algorithm using aesthetic rules is proposed.Firstly,the importance map of the original image is computed via image co-segmentation and visual saliency detection so as to prevent important objects in the image from distortion in the subsequent treatment process.Then,specific aesthetic rules and the corresponding quantization formulas for two common types of images in a mobile terminal are established.Finally,the algorithm performs the operations of seam carving using the aesthetic rules and the importance map to resize the image.The results show that the proposed algorithm,while preserving image information,achieves better performance in terms of aesthetics than a number of other image resizing algorithms.Key words ：image resize;content aware;aesthetic rules;Seam Carving摘要：针对目前内容感知的图像缩放算法存在美学效果考虑不足的问题，提出一种结合美学原则的缩放算法。
改进投影变换和保留结构特征的拼接图像修复算法
改进投影变换和保留结构特征的拼接图像修复算法作者：魏启元吕晓琪谷宇来源：《现代电子技术》2017年第23期摘要：拼接图像含有不规则的边界，需通过裁剪图像和补充像素获得矩形图像。
直接裁剪的方式丢弃了图像周围的像素；基于样本块的图像修复算法存在物体结构上的不连续和不完整；利用马尔科夫随机场模型修补图像的方法搜索范围大，效率低。
提出通过改进投影变换实现拼接图像的空间变换，减少拼接后图像周围的空缺区域面积，结合边界保留的细缝段裁剪算法对拼接图像进行矩形化扩充，实现拼接图像周围像素和内部物体结构信息的保留。
实验结果表明，该方法实现了拼接图像视角最大化，未引入视觉可见形变，有效实现了拼接图像的矩形修复。
关键词：拼接图像；矩形化扩充；细缝段裁剪；边界保留；图像修补中图分类号： TN911.73⁃34； TP391 文献标识码： A 文章编号： 1004⁃373X（2017）23⁃0038⁃05Abstract： The splicing image contains the irregular boundary， and its rectangular shape is acquired by means of image cutting and pixel supplementary. Since the direct cutting mode may discard the pixels around the image， the image completion algorithm based on sample block has the discontinuous and incomplete object structure， and the image completion method based on Markov random field model has broad search scope and low efficiency， a method of improving the projection transformation is proposed to realize the space transformation of the splicing image， so as to reduce the vacant areas around the spliced image， and combined the seam segment carving algorithm for boundary feature reservation to perform the rectangular expansion for the splicing image so as to realize the reservation of the pixels around the splicing image and object structure information inside the image. The experimental results show that the proposed method can realize the maximum visual angle of the splicing image， and rectangular completion of the splicing image without the visual visible deformation.Keywords： splicing image； rectangular expansion； seam segment carving； edge preservation； image completion0 引言图像拼接是将两幅或者多幅有重叠部分的图像叠加成一幅大型的具有较宽视角的图像，目前已广泛应用于机器视觉、医学图像处理、遥感数据分析等领域[1⁃2]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于Seam Carving技术的图像缩放改进算法研究
【摘要】本文基于Seam Carving图像缩放技术与显著图技术相结合，提出
了一种改进Seam Carving的算法。较好的解决了Seam Carving算法对于图像中
占比较大物体缩放效果不佳的问题。
【关键词】Seam Carving;显著图;图像缩放
1.引言
图像缩放技术的主要目的都是希望可以完整的保留住图像中的重要特征，为
了达到在影像尺寸调整而又能维持前景物件的不畸变有众多的学者进行研究。
传统图像缩放方法非常直观，使用插值的办法对放大或缩小的图像增加或减
少像素，通过其临近的像素估算出新的像素点的值。常用的插值算法有最邻近插
值法、双线性插值法以及双三次插值法。但是此类方法对图像内容会产生较大的
失真，没有考虑图像的梯度信息。
在2007年学者Avidan及Shamir提出了以保留图像内容为目标的图像缩放
算法，其不同于以往的插值算法，其核心思路主要是通过区分图像中关键的区域
和不易被观察的区域，利用缝补的办法任意调整图像的尺寸。
2.Seam Carving算法介绍
seam carving技术的关键在于缝隙，其垂直缝隙定义为：
公式中的x是一个映射函数，其范围为[1，...，m]。其要表达的意义是这条
垂直缝隙是一条由上而下且宽度为1个像素，并且是在8邻近范围内的连续路径。
同样水平缝隙的定义为：
其与垂直缝隙差别在于其宽度是从左至右的。
图1 垂直缝隙与水平缝隙示意图
对于缝隙的剪裁方面我们可以给定一个能量函数e，定义其能量成本：
接着就是要找到最佳的缝隙进行剪裁具体步骤如下：
第一步：从第二行开始往下累加所有可能的缝隙路径的最小或者最大能量
（按图像是需要缩小还是放大来选择）直至最后一行。当完成第一步以后其最后
一行的最小或者最大能量值即为最佳缝隙的起点。
第二步：从起点开始往回找出最佳缝隙其位置的8个邻近点的上方三个位
置，其中最小或最大的能量值即是最佳缝隙，一直找到第一行就可以判定最佳缝
隙的位置。
当对最佳垂直缝隙与最佳水平缝隙进行剪裁缩小时，其垂直缝隙右边所有像
素往左移动一个像素，类似的其水平缝隙下面的所有像素向上移动一个像素，来
补偿被剪裁的部分。
所以整张图像只有缝隙部分被删除，而其他部分与之前一样，不会像传统的
插值法那样其像素值会被更改。
同理当对最佳垂直缝隙与最佳水平缝隙进行剪裁放大时，则为上述的反向运
算，在其缝隙旁插入一个像素，此像素的值是将左右或者上下两边的值做平均而
得来。
如此重复的进行剪裁运算即可相应的对图片进行任意尺寸的放大和缩小。使
用该技术相对于传统的插值法无论在运算复杂度与图像质量上都能获得理想的
平衡。
3.Seam Carving技术的不足
Avidan及Shamir提出的算法是完全自动的，但并非适用于所有的图像上，
如果对人脸图像做缩小是采用了Viola and Jones所提出的AdaBoost人脸识别算
法，将人脸先保护起来，则这种情况下缩放时不会影响到人脸，而并非所有的图
像都会有前置的处理算法对图像进行保护，尤其是当单个物体占整张图像比例较
大或者物体穿越整个图像时，缩放就会出现断裂形变现象，因而就必须使用人工
的方法选出要保护的部分。
4.Seam Carving技术的改进
从前面可知Avidan及Shamir提出的Seam Cavring算法并非适用于所有图像
上，这里我们提出一个改进的方法。利用显著图（saliency map）可以在一张图
像中找到重点关注部分的特性，并且在进行seam carving的前提下，尽量保持重
要内容的完整性。所以我们想要在缩放之前先利用saliency map做前置处理，限
制seam carving的最大限度，再用传统的图像插值法来达到缩放的目的。
整个算法得流程分为五个步骤：
步骤一：找到最佳缝隙（max seam）。即找到能量最大的缝隙，因为我们希
望要保留的部分为图像中重要的部分，也就是比较显著的地方。我们用以下数学
表达式分别表示垂直及水平的energy map（M、Mh）。
Mh（ij）=e（i，j）+max（M（i-1，j-1），M（i-1，j）， M（i-1，j+1））
Mv（ij）=e（i，j）+max（M（i-1，j-1），M（i，j-1）， M（i+1，j-1））
图像中最后一行的最大值即为我们要找的最佳缝隙的起点。从起点开始往回
找出最佳缝隙，也就是向上找其位置的八相邻位上方的三个位置，其最大的即是
最佳缝隙的路径，一直找到第一行即可找出能量最大的垂直缝隙Lv，同理水平
缝隙也是用相同方法来找到最佳水平缝隙Lh。
步骤二：利用saliency map来产生一个bitmap M’.这个bitmap中值为1所代
表的图像即是代表图像中有重要内容的地方;相反的，值为0所代表的是可以删
除的部分。其做法是使用Otsu算法算出bitmap的门槛阀值
步骤三：借由步骤二的结果我们可以得到一个门槛阀值T，这个门槛值所代
表的就是能够缩小的极限，这个门槛值同样有垂直水平两个方向，其求法如下：
步骤四：当我们求得门槛值后就使用我们seam carving算法缩小至其限制值。
步骤五：使用双三次插值法及seam carving算法缩放至目标大小。
使用改进seam carving算法后图像缩放效果如下：
图2
5.结论
由图像缩放结果可以看出本文提出的改进Seam Carving算法在缝隙的选取
上保留了在人类视觉上被重点关注的部分，因此可以有效改善图像缩放效果，减
少图像断裂形变的情况发生。这说明改进算法的确可以改善原始算法的不足之
处，但是本算法在保持图像不失真的情况下仍存在缩放比例有限等限制因素，这
是在未来我们需要进一步研究的方向。参考文献
[1]Viola，p.，and Jones，M.“Rapid object detection using a boosted cascade of
simple features，”In Coference on Computer Vision and Pattern Recognition
（CVPR），2001，pp.511-518.
[2]Avidan，S.，Shamir，A.，“Seam Carving for Content-Aware Image Resizing”，
ACM Transactions on Graphics（TOG），vol.26，no.3，2007.
[3]Setlur，V.，Takagi，S.，Rasker，R.，Gleicher，M.，and GOOCH，B.，“Automatic
Image Retargeting，”ACM International Conference Proceeding Series;vol.154，2005，
pp.59-68.
[4]I.Andreadis and A.Amanatiadis，“Digital Image Scaling，”Instrumentation and
Measurement Technology Conference，2005.Proceedings of the IEEE，vol.3，
16-19pp.2028-2032，May 2005.
[5]M.M.L，S.D.G and S.R，“An image resizing algorithm for binary
maps，”Digital Object Identifier pp.126-132，2004.
[6]J.Allebach and P.W.Wong，“Edge-directed interpol-ation，”International
Conference on Image Processing， vol.3，16-19 pp.707-710，Sept 1996.
裴焕斗，男，山西代县人，副教授，现供职于中北大学信息与通信工程学院。