基于RWR的自然图像抠图

提出了一种基于图论的自然图像抠图方法。该算法首先在图像上建立图的模型,并用不同颜色标记目标种子点和背景种子点;接着采用有重启概率的随机游走方法计算像素点之间的相似性,进而提出一个线性概率模型;最后求解模型并分别估计前景和背景物体。与目前的抠图方法相比,该算法具有以下特点：将RWR方法结合图论用于自然图像抠图中;减小了RWR算法在图像分割中迭代求逆的高复杂度,大大提高了抠图速度;解决了“弱”边界的问题。     

一种基于简单笔画交互的迭代图像抠图方法

为了获得精确的和视觉上连续的抠图结果,提出了一种基于简单笔画的图像抠图方法,该方法仅需要用户以少量笔画和拖拽矩形框的方式指定前景和背景像素即可实现。该方法从亮度,纹理和空间位置多特征空间考虑像素的分布,首先建立了鲁棒的颜色分布模型;然后在此基础上,定义采样约束函数,再来获取精确的前景和背景样本;最后基于样本信息和平滑性约束,为所有未知像素构造了一个全局的能量函数,再通过迭代的优化将用户约束传播到整个未知区域。实验结果表明,该方法不仅保持了抠图结果的精确性和视觉上的连续性,并能够有效地处理纹理丰富和具有相似的前景与背景颜色的输入图像。     

改进Closed_Form Solution方法进行前景物体运动模糊抠图

针对Closed_Form Solution图像抠图方法在进行前景物体运动模糊抠图时容易受到复杂背景影响而产生抠图不精确问题, 提出一种结合运动模糊物体局部梯度统计特征以及透明度连续性特点的抠图方法。该方法在原来Closed_Form Solution方法中加入一项含有权重的透明度值之差的约束平滑项, 通过相邻像素运动梯度统计特征和透明度差值约束改善传统方法抠图不精确问题。仿真实验和真实运动模糊抠图实验结果表明, 改进算法相对传统Closed_Form Solution方法能够更有效地提取出前景物体运动模糊区域, 抠图结果更为平滑。     

基于谱抠图的遥感图像滑坡半自动提取

为统计遥感图像中滑坡区域的有效数据,提出基于谱抠图的遥感图像滑坡半自动提取方法。建立抠图拉普拉斯矩阵,计算特征向量,自动确定聚类数,利用爬山算法对图像聚类,根据特征向量和用户交互数据得到抠图成分,去除平滑项,得到前景透明度。实验结果证明该方法能够有效提取滑坡信息,准确率高,稳定性强。     

一种改进的Bayes抠图算法

针对传统Bayes抠图算法容易在生成的不透明度通道上产生脉冲噪音的问题,提出一种改进算法,充分考虑分簇采样点所占比重对α值估算准确度的影响,在贝叶斯框架中嵌入一个含比重因子的平滑约束项表达式。仿真实验结果表明,该改进算法能够有效消除脉冲噪音,使抠像结果更为光滑。     

一种改进的Bayes抠图算法

针对传统Bayes抠图算法容易在生成的不透明度通道上产生脉冲噪音的问题,提出一种改进算法,充分考虑分簇采样点所占比重对α值估算准确度的影响,在贝叶斯框架中嵌入一个含比重因子的平滑约束项表达式。仿真实验结果表明,该改进算法能够有效消除脉冲噪音,使抠像结果更为光滑。     

基于视觉概率统计的无监督数字抠图模型

针对无监督抠图因视觉信息较少而存在抠图结果视觉偏差较大的问题,提出一种基于视觉统计概率的无监督抠图模型。该方法根据视觉统计概率模型训练SVM分类器,得到区分背景区域与视觉显著度较高的前景目标区域的SIFT特征点,根据特征点生成结构合理的Trimap,并利用Trimap实现无监督抠图。实验结果表明,在无用户交互的情况下,该模型生成的[α]掩像无较大视觉偏差,对前景目标边缘及透明度做出良好估计并且具有较好的鲁棒性。     

基于纹理聚类的抠图算法

针对当图像纹理比较丰富时抠图难的问题,基于K近邻(KNN)抠图算法提出了一种纹理聚类抠图（TCM）方法。该方法首先提取出纹理特征;然后用该纹理特征与颜色和位置特征一起构造新的特征空间;接下来在该特征空间上聚类近邻像素以构造Laplacian抠图矩阵;最后利用闭形解求解不透明度。在基准数据集上的实验结果表明,该方法的总排名有显著提升,对于纹理丰富的图像取得了比较好的抠图效果。     

融合多线索信息的数字图像抠图方法研究

针对自然图像抠图方法中存在对先验知识过度依赖和交互输入繁琐的问题,为了扩展自然图像抠图方法的使用范围,提升自然图像抠图方法的自动化程度,提出一种融合多线索信息的数字图像抠图方法。利用原始自然图像所对应的深度信息和视觉显著度信息进行感兴趣区域粗分割;利用形态学的膨胀与腐蚀算法对感兴趣区域的分割结果进行粗分割区域膨胀和粗分割区域腐蚀操作,从而得到抠图过程所需的三分元素图;利用彩色纹理图像和三分元素图,并结合使用相似性传递抠图方法获得精细的前景目标抠图结果。实验结果表明,该方法不仅能够得到较为理想的抠图效果,而且大大提升了自然图像抠图方法的自动化程度。     

基于多重注意力机制的自然图像抠图

深度学习在图像抠图中发挥着重要作用，但是它容易丢失一些低级语义信息。在此使用U-Net结构搭建生成网络，并在跳跃连接过程中添加瓶颈注意力模块（BAM），能够有效地融合图像的深层特征和浅层特征。同时在编码器与解码器之间添加一个空洞空间金字塔池化模块（ASPP），拓宽感受野，以多个比例捕捉图像的上下文信息。实验结果表明，相比传统的抠图算法，自然图像抠图提取了更多的细节纹理信息，提高了抠图的精度。     

基于超像素和随机游走的交互式分割算法

交互式图像分割通过先验信息指导获取图像中人们感兴趣的部分,但是现有算法无法在效率和精度上实现平衡。为了解决此问题,提出了一种基于超像素和随机游走的快速交互式分割算法(random walk on superpixel, SPRW)。首先,将图像预分割为具有局部相似性的超像素区域,使用像素颜色均值对超像素区域表示;其次,根据人工标记的先验信息建立F-B图结构,扩展随机游走的范围,并使用随机游走的方法求解,获得硬分割结果;最后,针对分割结果的边界不光滑问题,提出改进的抠图算法(fast robust matting, FRB)进行二次处理,得到软分割结果。在BSD500和MSRC数据集上的实验证实,所提出的硬分割方法与其他算法在时间和平均交并比等指标上有较大优势;在Alpha Matting数据集上的实验充分证实所提出的软算法在提高效率的同时精度也有一定的提升;此外,在生活照更换背景的实验上展现了该算法的应用价值。     

基于MRF的复杂图像抠图

所谓复杂图像抠图就是从复杂图像中抠取出目标物体的一种图像处理算法。为了取得更好的抠图效果,提出了一种基于马尔可夫随机场的自然图像抠图方法。该方法首先手工把图像分成3个区域:前景区域、背景区域和未知区域;然后,再将未知区域用手工粗略地划分成几个相交的小区域;接着在每一个小区域内,以其中的未知区域的像素点为节点,定义抠图标号,同时在这些节点上面建立MRF抠图模型,并把这些标号赋给这些节点,这样抠图问题被定义为在这个MRF模型和它的Gibbs分布上MAP估计问题;继而再计算出每个小区域的掩像;最后把这些掩像合并,即得到输入图像最终的掩像。和其他算法相比,对复杂图像的抠图问题,该方法可以取得更好的抠图效果。     

复杂环境下基于信息融合的视频实时抠像算法

针对复杂场景下传统的视频抠像算法对目标物体与背景纹理相似或边界不清晰的图像分割困难的问题,提出了一种基于视觉传感器和激光雷达信息相融合的视频实时抠像算法。该算法从原始激光雷达点云数据中获取感兴趣区域深度信息,并作为先验知识融合到改进的谱抠图算法,创建感兴趣区域深度抠图拉普拉斯矩阵,通过聚类算法最优迭代得出抠像结果,并运用导向滤波器对抠像结果进行后处理。实验证明,对比于融合深度信息的传统算法和没有融合其他信息的算法,该算法降低了欠分割率、提高了运行效率,抠像目标的边缘信息也更加饱满、清晰、平滑。     

改进的自然图像鲁棒抠图算法

自然抠图从背景复杂的彩色图像中根据已知像素进行未知像素的透明度估计以实现前景的准确提取,是图像处理和影视制作的关键技术之一。由于自然图像透明度值的求解具有高度不确定性,目前对颜色和结构复杂的图像抠图效果并不理想。提出一种改进的鲁棒抠图算法。该方法根据trimap的已知前景和背景区域减少未知像素个数;计算前景-背景对的可靠性,选择可信赖的样本对获得透明度的初始值和信心值;优化基于图拉普拉斯的二次目标函数并确定未知像素最终透明度值。自然抠图实验结果表明,与几种主要抠图算法相比,所提方法能提取到具有更好视觉效果和均方误差的前景。     

具有纠偏性的图像抠图的全局优化方法

通过对图像分割与图像抠图的比较和分析,从图划分的角度考虑抠图问题,提出一种具有纠偏性的图像抠图的全局优化方法.该方法在最小化前景对象与背景相互分离的软分割开销的同时,最大化前景对象的内部关联度.理论分析和实验结果表明,与其他形式的抠图优化目标函数相比,文中方法能够更有效地提取出全局最优的抠图结果,有利于实现自动或半自动的抠图处理.     

基于局部抠像技术的融合图像精确跟踪算法

为了提高跟踪精度,提出一种基于局部抠像的融合图像全自动精确跟踪算法。首先采用帧间差分法获取运动目标的大致区域,并自动生成局部抠像框,由此采集目标、背景代表颜色集合;在此基础上自动生成抠像所需的草图,实现对目标的抠像;最后对抠像产生的前景映射图进行边缘检测即可获取精确的目标轮廓,并可根据跟踪结果对模型进行更新。对于实验的图像序列,与目标实际中心相比较,抠像跟踪误差均值为0.9像素,传统均值漂移跟踪误差均值为5.2像素。实验结果表明,该方法跟踪结果能完整、清晰地表示目标轮廓,很好地解决了跟踪中的漂移问题,提升了跟踪精度     

针对视频序列分类的快速抠像技术

针对视频序列分类的问题提出了一种快速抠像技术.根据视频序列间的相关度进行关键帧的区分,得到关键帧、序列间变化细微的非关键帧、序列间变化较大的非关键帧;对于关键帧,采用闭合式的抠像方法来进行处理,获得透明度值、前景像素值和背景像素值;对于变化细微的非关键帧,提出了一种基于帧间连续性的透明度值估计和优化方法;对于变化较大的非关键帧,提出了一种基于特征流传递的机制来传递关键帧的有效信息.实验结果表明,最终在获得与传统方法相比可接受的抠像效果条件下,这种快速抠像技术缩短了处理时间.