文摘
随着数字技术的迅速发展,数字媒体的发展速度也相对较快。数字媒体技术有很大的影响人们的生活方式和审美概念,它还有一个更大的对视觉艺术的影响,创造性思维的沟通方法和表达方法。在这项研究中,数字图像的质量改进的指导已经深入研究了基于大数据的眼动注视点。大量的视觉数据收集从公共社会资源和优化研究的图像感官质量进行深入的使用获得大数据。接下来,感兴趣的区域(ROI)通过结合数据与二维高斯分布model-fitting方法,和获得的数据集群和改进的基于k - means聚类算法获得ROI固定点。最后,选择不连续的图形和视频回放清晰度是指出,最后固定数据分析利用。结果表明,有针对性的优化是非常有效地提高数字图像的质量和节省空间,让用户享受到高质量的视觉数字图像。该方法可用于提高图像和视频的动态分辨率。
1。介绍
在现代数字媒体环境的影响下,视觉艺术是基于不同行业的成功经验,采用最科学的媒体技术和先进的创造性的方法来开发视觉艺术(1]。现代数字媒体与视觉艺术的融合导致了新媒体技术,这可能被认为是视觉艺术创新的主要原因。数字新媒体艺术一直是最受欢迎的设计方法应用于现代展览行业,当我们进入二十一世纪。先进的视觉艺术技术已经现代化工业和显示系统显示有更复杂的进化从简单的2]。
视觉艺术的生成过程为视觉艺术提供了一个新的意义,这新方法大大提高了现场的富有想象力的观点。在当前数字媒体艺术应用程序,使用仿真技术代表经典的艺术效果的优势生产场景比其他方法更快(3]。当前视觉艺术处理技术和算法并不局限于单一的固定模式处理方法如图转换、信息提取,和单位跟踪但越来越多地集成到人工智能、专家系统、数据挖掘,和其他处理模式,旨在分析人类行为(4]。一个有效的视觉处理技术带来的最大的优势是获取更多的详细信息在相同条件下(5]。
数字媒体艺术已经被更多的学者和公众接受以其特殊的魅力。新形象和处理技术的应用改变了展览的风格在过去(6]。新媒体和图像处理技术的使用使得显示人类的人们意识到,以前不可能导致不寻常的情绪和观众之间的幸福7]。Peicheva [8)认为,我们必须继续接受各种各样的困难和各种行业创建数字通信的解决方案。数字媒体,根据罗默和莫雷诺9),提供更大的选择的产品和营销行为和社会沟通、和信息技术导致了一些发展。作者在10]讨论了视觉空间系统在数字媒体艺术设计和“空间”的概念,从心理学、电影艺术绘画艺术生产。Ryena等人使用(11数字媒体文化框架的概念、功能,和视听领域创建一个数字媒体类型的分类。从生产音频播客的错综复杂的混合媒体或游戏开发,这个分类涵盖各种learner-generated数字媒体的任务。此外,分类法对高等教育教学和学习的影响也检查了。作者在12)在数字媒体艺术在建筑装饰设计的应用在工业4.0时代。明等。13)从事公共服务广告新媒体的应用类型和分析公共服务广告的发展和当前数字媒体。张(14)展示了一个adobe photoshop的结合的方法,应用不同的视觉元素在电影海报设计。尽管伟大的作品已经完成设计视觉艺术使用数字技术,研究视觉艺术设计,利用先进的数字图像处理技术仍处于初级阶段(15]。
在这项研究中,一个完整的过程从眼球追踪数据收集统计分析大数据分析应用程序制定根据大数据处理的实际环境。该方法充分利用社交网络的资源,选择最可接受的公共数据收集方法,并进一步利用收集到的数据进行图像质量的优化。经过深入分析,大数据处理的一种新方法和图像质量优化提出了可以改进的图像显示质量一定宽度和电影投影和效率的进一步丰富图像处理的内容。
手稿的其余部分被组织为一节2材料和方法,提供了一个数据收集和该方法的详细描述。节3结果和讨论部分4是结论。
2。材料和方法
2.1。增强方案
图1显示了不同的图像增强方法,主要包括以下方案。
2.1.1。数学变换
在数学变换,对数变换是一个典型的图像增强算法特性变换(16]。
2.1.2。图像色彩处理
这种方法是最简单、最客观的常用方法,可以更有效地保持最原始的清晰的图片17]。
2.1.3。局部图像增强
这种方法主要用于去除图像噪声来满足当地的整体形象特征。
2.1.4。图像融合和增强
这个计划主要用于多光谱信号图像处理(18]。
2.2。眼动数据提取基于VR的虚拟现实眼镜
虚拟现实(VR)创建一个三维空间环境,通过视觉和听觉显示给用户,让用户实现经验。虚拟现实技术设备不同于之前的3 d播放方法。它促进用户参与改善用户的沉浸体验,如图2。
在图2根据用户的介绍,当使用眼睛的虚拟现实设备产品,如果是配备了相应的软件系统,一个高空玻璃平台,更接近现实中可以模拟装置。尽管用户已经了解他是否站立或坐在室内平地,他仍然不能停止模拟高海拔的恐慌,所以他不能弯曲的手,跳起来有力。
2.3。瞳孔定位技术
瞳孔定位技术是获取真实有效的观点数据(19]。基本的流程图如图3。如图2使用修改后的虚拟现实设备。快速算法利用捕捉眼球运动行为和固定时间时肉眼观看各种数字图像的装置。这可以为工作提供可靠的数据支持。此外,虚拟现实眼镜便宜,简单易用,快速赢得人。这也有助于数据收集。
简要介绍了循环的区别方法为未来奠定基础角度映射和眼动数据的分析。该方法具有良好的识别效果具体眼球图像像素较低。目前,圆形差分法主要用于虹膜识别技术及相关设备。这个算法也在不断加深和提高了学者和扩展到许多不同的模式识别应用领域(20.]。主要的思想是使用预设的形式检测目标通过计算边缘灰色梯度值的分数,然后正常化和总结。最后,解决方案,最大化的方程、目标价值,,见以下方程: 在哪里 人类的眼睛的形象。在这个计算过程中,学生是设置为一个圈。当这个公式的最大价值,其相应的参数 相当于瞳孔中心和半径的圆。
其中,平滑算子计算如下方程给出:
这个解决方案适用于这种情况,用户可以提供眼睛独立模式和减少睫毛和光线等因素的干扰。
2.4。视点跟踪算法
当获得虹膜区域,它并不意味着查看区域可以直接获得,和相应的投影也必须执行。由于虚拟现实眼镜像helmet-type眼睛追踪器,整个人眼的视觉区域可以获得无需旋转磁头的(21]。前提下,用户的头不旋转,人眼注视点只需要获取瞳孔的中心,可以将整个观点通过相对运动区域。在使用虚拟现实眼镜之前,用户提交一个初始化请求,和接口将提前完成。然后,完成边界定位校准的左上角和右下角,如图4。
图4显示手机屏幕上的模拟输出使用了一款双屏液晶显示器(LCD)来生成一个定位标记,以便用户可以观看视频图像。结果校准瞳孔位置坐标(XRBYRB)定位在右下角,(XLTYLT)是在左上角。左上角是作为初始位置。然后,瞳孔的位置(x, y)在眼动图后,可以确定标志反映在视点位置显示,如方程所示3)和(4)。 MaxWidth和MaxHeight指屏幕的显示分辨率和映射到相应的区域的图像在屏幕上。
没有最初的标志,人类的眼睛的视线或不能完全安静不动,甚至眼睛的注视运动可以产生轻微的震动在小范围之内。此外,眼睛还执行快速扫描周围的视野,让大脑分析感兴趣的领域的哪一部分最需要注意。眼睛注视运动测量的时间通常是每50毫秒(22,23]。当面积的相对运动距离测量两个眼球追踪研究设备检测后的图像不大于2%的整个区域的长度和宽度,认为人类的眼睛是完成凝视行动。当初始校准不执行,自学校正策略制定。尽管检测区域不是准确的检测在早期阶段,将在后期逐步改善的问题。自学的过程更新边界算法如图5。
条件下的大数据处理,在随后的人眼识别实验中,一些不规则的地区有良好的容错性,这样可以收到错误的数据信息,并保证不会有负面影响在随后的实验结论的准确性。
2.5。ROI提取基于眼动大数据
大数据分析的前提下,k - means聚类分析方法用于获得一个简单的和定期眼动ROI范围,和一个不规则的注视区域是高斯分布模拟方法获得的。聚类分析是一种数据分组算法组结果数据信息转化为组(24]。它区分类别根据相似性数据信息和数据信息。类别是著名的被称为“集群。“目前,k - means算法是最常用和最著名的基于分类和聚类分析算法已广泛应用于机械教学,数据分析和挖掘,模式识别,和其他领域。基本思想是将随机分裂原n统计目标到K集群根据数K的集群。根据数量、类型、距离或特征相似的元素在不同的集群,选择相同的标准统计目标分解为K集群,每个集群至少都有一个“集群中心。“标准是最短时间集群中心。熵之间的均方误差(MSE)系数和集群内的元素数量尽可能小。k - means聚类算法的流程如图6。
(一)
(b)
在图6,参数K是作为集群的数量。在数据库中,K元素是随机选择初始聚类中心。为其余对象,然后计算每个集群中心的距离。集群中所有元素进行分类与最短的距离从集群中心,每个集群的集群中心重新度量界限,也就是说,元素的平均值的位置。这个过程一直持续调整根据测量值,直到没有改变在每个集群中心。通常,最小均方误差系数作为衡量函数,按照以下方程: 在年代的平均方差距离集群中心,每个元素n我集群中的元素编号的数量吗我dijj的距离吗th元素集群中的编号我集群中心E我每个元素之间的平均距离是集群的编号吗我和中心的集群。通过测量函数,获得分类集群可以有这些特点。间隔在一个集群本身就是尽可能,间隔几簇是尽可能离散。
2.6。提取算法基于二维高斯分布的不规则区域ROI
感兴趣的领域是指用户最感兴趣的地方图形场景,和单个或多个感兴趣的程度是最高的。这意味着关注的程度是最高的。还有点围绕这些点的密度最高。ROI提取算法的主要思想是估计的范围关注密度在一个注视点通过检查单一注视点之间的距离和其他注意事项25]。其具体过程是使用相应的内核计算函数连接一个注视点之间的距离关系和周围区域,叫做区域化的注意点影响的程度。当内核函数是用来实现区域化,比如在本例中,使用的二维高斯分布函数的值的目光函数用于中间段是最大化的,其价值是控制的功能逐渐减少到零。二维高斯分布函数所示以下方程: 在哪里 代表的程度影响的注视点的位置坐标,(x,y)。(xo,yo)代表注视点坐标,代表了一个二维高斯分布的参数水平差异。对于每一个注视点,2 d高斯模拟扩大在一个圆的半径 ,见以下方程:
2.7。图像质量优化Gaze-Based ROI
2009年,Tilke贾德进行一个实验(26]。实验结果表明,人眼能识别对象的范围是25%在屏幕的中心27),如图7。
图7显示图像的清晰的识别度集中在25%左右中心的形象和降低反过来向周边地区(24]。但即使是在一个完全陌生的自然环境,人们可以使用快速眼球运动来获得所有环境信号在很短的时间内,如图8。
(一)
(b)
图8表明人们可以感知的自然环境的完整和清晰的图像,主要是因为记忆帮助人们修理不清楚的视野在获取信息的过程。图8(一个)是一幅真实的场景印象,通常出现在人类的记忆。图8 (b)显示发送的反馈信息的眼睛此刻人类的大脑由于生物因素。中部相对清晰,和周边地区逐渐发散。
有越来越多的渠道和规模提供数据由于现代计算机技术的蓬勃发展28]。充分利用大数据分析技术解决实际应用问题的图像质量优化得到了学者们的广泛关注,并提供了一些解决方案(29日]。据悉,在大数据分析环境中,通过眼动数据收集研究区域信号的注视点和选择一个图像处理方法二者的高清图像的计算标准的定义。画面的视觉效果可以大大提高,如图9。
(一)
(b)
(c)
图9(一个)的原始图像不失真处理肖像图像。图9 (b)基于应用高斯模糊的区域范围以外的人物的脸。图9 (c)是一个高斯模糊,相同的参数应用到面临一个人基于图像的范围。与此同时,比较之间的差异图吗9(一个)- - - - - -9 (c)反过来,扭曲的程度c大,失真度的b比这小得多的c。这一现象的研究中使用感知图像质量,使图像质量的研究更加重要。通过这种方式,可以充分利用ROI改善图像的质量。对一些资源较差的图像质量,提高ROI的质量可以提高整个图像的视觉效果更快。
2.8。高分辨率插值
当图像的定义是不完整的,图像显示软件通常线性篡改或伸长的图像匹配显示清晰。模拟方法用于填补小空白图像中由于伸长,这很容易导致图像中细节更模糊。的问题缺乏清楚的显示通常不会发生,但如果有一个问题,照片显示区域通常是小,细节可见但很难区分30.]。因此,照片的显示分辨率不足的基础上,本节将眼球运动和ROI技术集成和替换的线性插值图像显示软件当拉伸照片与高度认可范围内插来增强图像的细节,提高人眼辨别率和感官品质形象。
假设有两个相邻的分辨率,图像分辨率 和 。如果本地高清插值的图像优化方法,插值的面积大小比例优化可以实现在不增加交通的直接下载高清图片,见以下方程:
一般来说,固定的点通常少于5这意味着需要优化的范围并不大 。
2.9。动态调整图像的质量
过去,照片或视频的分辨率一般标准定义(SD),高清晰度(HD),和超级定义(UHD)。这个解决方案可以调整相应区域的大小通过使用眼动数据或热图来动态调整图像清晰被人眼和对应于不同的实时带宽。假设注视点是一个标准的圆的面积,根据注视点总结地图,目光中心O我(X我,Y我),初始半径的目光R我。然后,根据获得的目标价值的中心距的视线,见以下方程:
动态调整因素α增加到满足的需求动态调整图像的感知质量。的前提,它并不比定义空间需求越高,最优优化凝视点的范围调整,调整和优化质量更加精确。实际半径计算使用以下方程: 在哪里D我是目光的中心距离重心,然后呢α是0 - 100。
3所示。结果与讨论
3.1。高分辨率插值效果
后高分辨率插值技术用于处理图像,图像质量增强,细节效果有所改善。效果如图所示10。
(一)
(b)
(c)
(d)
在数字图像的分辨率10 ()是640×400。后扩展到1440×900的全屏显示、细节模糊,无法区分。例如,在汽车的前面,如低分辨率的图像,如图所示10 (c),所示地方细节,面目全非。执行统计分析获得通过眼动数据图10 (b)和赛车手的一部分是用户的注意力的焦点位置。大多数用户想要得到的信息包含在这里,而是因为分辨率太低,导致细节丢失的像素失踪。在图10 (d)之后,使用高分辨率插值技术,汽车的话说在前面是清晰的,车的细节是显著增加,轮廓边缘更平滑、流畅。
3.2。图像质量结果分析的动态调整
在这个实验中图像分辨率为2560×1280,1280×800、640×400处理。此外,比较大小的BMP格式的时候α计算是0,50和100。决议如图的效果11。
(一)
(b)
在图11的范围内,该地区α= 100采用高清插值,常常需要原始图像的存储空间近两倍。基于人眼的歧视,ROI的图像质量越高,越高人眼可以评估整个图像的质量。因此,整个全高清图像相比,它占用存储空间少约50%。这表明人们可以有针对性地优化图像通过眼动研究数据来改善图像质量和节省存储空间。此外,该方法还允许用户动态地适应各自的网络可用的最佳图像质量条件。
眼动数据的提取也是一个重要的主题领域的ROI提取在这个阶段。最直观的和现实表现的筛选是重要的人类大脑的图像质量。在这项研究中,从眼动数据获得的投资回报率。这也是投资回报的主要标准。大量实际眼球追踪数据反映了公众的注重图片,音频,和网站访问。这是具有重要意义的研究图像压缩,图像搜索、目标识别、机器学习等领域。
4所示。结论
在数字媒体艺术的不断发展,现代视觉设计的作品展示了一个新的发展趋势,逐渐改变传统的展示设计和独特的展示设计经验。在这项研究中,用户眼动数据的收集和分析,从公共资源和简单的虚拟现实设备。ROI图像的范围的流动是获得使用眼动数据,确保了眼动数据反映了真实用户的视觉偏好使用。两种ROI区域提取算法进行了分析和k - means算法改进,使它更简单和更有效率。此外,一个方法使用眼动提出优化图像质量。二维高斯分布函数用于选择光滑质量梯度范围内,它克服了失调过多的边缘插值在传统图像和高清视频。最后,过渡的图像质量水平,基于眼动跟踪ROI,更逐步质量提出了梯度法,这样用户可以认为最好的形象展示的质量在不同带宽。然而,大多数的眼动数据的采集来自于实验室目前。因此,眼动数据只能在实验室获得,不能大规模使用。未来的工作需要进一步完善该方法获取大量的眼动数据,优化图像质量。
数据可用性
标签数据集用于支持本研究的发现可以从作者要求。
的利益冲突
作者宣称没有利益冲突。