Page 130 - 《软件学报》2020年第9期

李德光 等:基于视觉显著性的 AMOLED 显示器多区域功耗优化 2751

降低 20.2%的功耗,功耗优化效果比较明显.
对于 3 幅图像,在保持同样的结构相似度的限制条件下,MRA 算法降低的功耗分别比 WRA 算法高出 3%,
1.4%和 1.1%,平均值为 1.8%.说明本文提出的算法对降低图像的功耗效果更显著.同时,本文提出的 MRA 算法
在视觉效果上优于 WRA.这是由于 WRA 算法对图像整体进行调整,调整系数单一无法凸显显著区域的特征.
对于 RRA 算法,在保持同样的结构相似度的限制条件下,功耗优化效果略优于本文提出的 WRA 算法.这是由于
RRA算法使用最小矩形区域包含图像显著域,其显著调整区域小于 WRA算法,使得其调整系数大于 MRA算法,
从而其功耗效果略优于 MRA 算法.但由于其未对不同的特征区域的调整系数进行边界限制,导致在视觉效果
上出现明显的边界效应.而本文提出的 MRA 算法由于对不同的特征区域的调整系数进行了限制,所以其变化
趋于更加平缓,更能保持图像质量,从而满足较好的视觉效果.
由表 4 和图 5 的数据定量分析可以清晰地观察到,我们提出的 MRA 算法比 WRA 及 RRA 算法的效果更好.
这是由于在对图像进行调节时保存了图像兴趣域的关键信息,同时考虑了不同区域的调节系数,在降低功耗的
同时,保证图像整体的视觉效果.
上述 3 副图像中,第 1 个图像的功耗优化最多.这是由于该图像的显著区域面积相对较小,其非显著区域面
积较大,而在调节时.非显著区域的调节系数较大.从而使得图像的整体功耗优化效果比例较大.对于第 3 个图
像,由于其显著区域面积相对较大,非显著区域面积相对较小,在功耗优化时,调节系数较大的区域面积较小,使
得图像整体的功耗优化效率相对于第 1 个图像减少.
图 6 所示分别是第 2 组图像的对应处理后的各图像信息(与第 1 组的排列保持一致).

Fig.6 Original image, edge image, feature image, image processed by WRA, RRA and MRA algorithm
图 6 原图、边缘图、特征图、WRA 算法处理图像、RRA 算法处理图像、MRA 算法处理图像
表 5 中,各属性及符号与表 4 中的属性及符号含义相同.

Table 5 Key attribute information of different images
表 5 各图像关键属性信息表
Image Approach Original WRA RRA MRA
Power 678.24mw 609.05mw 613.13mw 607.7mw
Image1 MSSIM − 0.95 0.95 0.95
Reduce ratio − 10.2% 9.6% 10.4%
Power 746.78mw 663.14mw 675.84mw 659.41mw
Image2 MSSIM − 0.95 0.95 0.95
Reduce ratio − 11.2% 9.5% 11.7%
Power 712.36mw 644.69mw 654.66mw 643.97mw
Image3 MSSIM − 0.95 0.95 0.95
Reduce ratio − 9.5% 8.1% 9.6%