【技术实现步骤摘要】
本专利技术涉及一种多层次仿射类数字图像抠图方法，尤其涉及基于双层仿射框架的共享图像抠图方法。
技术介绍
1、图像抠图技术是把图像的前景从背景中精确地分离出来的过程，图像合成则是把分离出来的前景通过某种方法放到新背景中的过程。图像抠图与合成作为图像处理与图像编辑领域的重要任务之一，在图像或视频编辑、构图、电影后期制作等诸多方面发挥着重要作用。图像抠图和图像分割之间存在显著差异。图像分割通常将前景物体与背景分开，并以二值化形式表示。然而，在实际图像中，前景物体边缘附近的像素值非常复杂，不能简单地归为前景或背景两种模式。图像抠图通过引入α通道，有效地解决了这个问题，使得前景物体可以更加精确地提取出来。该问题首先提出自然图像可以表示为前景和背景图像的线性合并，通过根据图像合成方程进行线性组合来实现：
2、iz＝αzfz+(1-αz)bz
3、其中，z表示任何一个输入图像的像素，iz表示的给定像素颜色，fz表示前景层，bz表示背景层，以及用αz表示透明度因子。当z为实体前景或实体背景像素有αz＝1或0，半透明像素有0<αz<1。由于抠图问题无法求取精确解，许多现有的方法需要附加的约束，通常以用户提供输入的trimap形式，该形式要求用户粗略的指定一些实体前景和背景像素，而没有被标记的像素被视作未知点。抠图算法的主要目标是确定标记为未知的所有像素的{αz,fz,bz}的值。
4、在传统抠图领域，主流的基于trimap的抠图方法包括采样法和仿射法。采样法独立计算每个未知点的α值，不考虑像素之间的
5、采样类方法中，贝叶斯抠图使用高斯混合模型求解。为了解决参数采样类方法中的样本过于粗糙的问题，后期方法多采用单个样本采样的方式。鲁棒性抠图为每个未知点建立前景和背景样本对，分别计算每个样本对的信度值和α值，并选取三个信度值最高的样本对，将其计算出的α值取平均作为未知点的α值。共享采样的抠图方法以未知点为起点，向空间中发射4条射线，每条射线最多采集一个前景点和一个背景点，并将较优的样本对暂时存储到未知点中。之后，对每个未知点并未采用逐对计算的方式，而是利用邻域存储的样本对进行最终样本对的选取，在提高抠图速度的同时也提升了结果的准确性。全局抠图与综合性抠图分别采用单个样本和参数化方法，利用全局搜索的方式选取最优样本对，但容易受到全局前景与背景颜色重合的影响。wct抠图采用颜色空间和纹理空间相结合的方式，但逐对计算的方式仍会大幅降低抠图速度。
6、仿射类方法假设空间相邻的像素存在相近的某些性质，并求解相应的稀疏线性方程。该类方法通常只能求解α，无法同步求解前景和背景颜色。随机游走抠图将像素视为图的节点，利用8邻域空间简单权值的方法求解抠图问题。closed-form抠图假设局部窗口符合颜色线性模型，构造拉普拉斯抠图矩阵并求解。非局部抠图引入了图像降噪问题中的非局部原理并应用于抠图领域，提出了不局限于局部窗口的非局部概念，权重则采用了简单设置的方式。knn抠图延申了非局部抠图的思路，为每个未知点建立空间结合颜色的特征，并利用flann方法匹配更远的非局部像素，设置未知点的k个简单权值。ccm抠图将颜色线性模型与knn远距离搜索相结合，将局部的颜色线模型扩展到非局部空间。lnsp算法将局部和非局部方法进行简单叠加，初步实现了实体和半透明像素的联合精确求解。information-flow算法利用多级knn搜索方式，实现了自适应多层次仿射类抠图。金字塔抠图抠图(pmf)采用了图像金字塔技术，将大尺度的图像输入分解为多个尺度的子问题，并通过多次迭代来解决这些子问题。
7、在采样抠图中，通常求解得到的α值是不连续的。因此，在一些采样类算法中，首先计算出未知点的初始α值，然后通过仿射类方法进行后处理以获取平滑后的α值。后处理的目的是弥补采样法未充分利用相邻像素之间联系的缺陷，使得最终的α结果在视觉效果上更加平滑和自然，并提升α结果的准确性。本专利技术仍然延续了这类思想，在采样端，利用共享抠图的方法提升采样速度，并为后续尽可能的提供精确的先验。在后处理仿射端，采用双层次的方式同时精确处理实体像素与半透明像素。
8、近年来，基于深度学习的方法在图像抠图领域占据主要地位，特别是在抠图质量和速度方面。基于深度学习的方法通过图像抠图数据集训练网络来预测α。xu等人提出了第一个端到端抠图框架，该框架直接从输入图像和trimaps中学习α抠图。lutz等人提出了第一个用于自然图像抠图的生成对抗网络(gan)。hou等人提出了上下文感知图像抠图，这是第一种同时估计前景和alpha的方法。hao等人利用索引函数的概念统一上采样算子，改进编码器-解码器框架。zhang等人采用两个解码器分支进行前景和背景分类，使用融合网络融合得到最终的抠图图像。li等人开发了一种用于图像抠图的引导上下文注意模块，该模块基于习得的低层次的像素邻域之间的联系，直接在全局范围内传播高水平的不透明度信息。qiao等人采用空间注意和通道注意构建了一种混合注意机制，该机制可以从自适应语义中感知抠图图像，以一种新颖的方式整合外观线索。liu等人提出了cspp，专门传播上下文特征。park等人提出了带有past块的matteformer，并引入了先验令牌，该令牌表示由给定映射分隔的全局区域的上下文。
技术实现思路
1、本专利技术意在提供基于双层仿射框架的共享图像抠图方法，以增强了α的视觉效果、提高了α结果的准确性。
2、为达到上述目的，本专利技术提供如下技术方案：一种基于双层仿射框架的共享图像抠图方法，包括以下步骤：
3、步骤一：采用共享抠图方法，计算采样类方法的初级α值，并为后续步骤提供α先验值；
4、步骤二：采用两级knn搜索方式，建立相应的大型稀疏矩阵lknn；
5、步骤三：采用闭合形式的近邻搜索方式，依据颜色线性模型，建立相应的大型稀疏矩阵llap；
6、步骤四：将仿射类方法的稀疏矩阵lknn及llap与采样法的先验α相结合，建立相应的大型线性稀疏方程求解，得到最终优化后的α。
7、优选地，在步骤一中，通过发射射线收集前景和背景样本对，并选择最佳样本对来确定未知像素的初始先验值。
8、优选地，在步骤二中，利用flann方法寻找未知点的k个最近邻点，并设置权值来构造knn稀疏矩阵。
9、优选地，在步骤三中，假设局部窗口内像素的颜色为固定颜色的线性组合，通过颜色线性模型和抠图公式进行计算。
10、优选地，在步骤三中，结合knn方法和颜色线性模型的结果，通过特定的权重融合策略，得到最终的图像抠图结果。
11、优选地，使用均方误差(mse)和绝对误差(sad)作为误差评判标准，对算法结果进行定量分析本文档来自技高网...
【技术保护点】
1.一种基于双层仿射框架的共享图像抠图方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于双层仿射框架的共享图像抠图方法，其特征在于：在步骤一中，通过发射射线收集前景和背景样本对，并选择最佳样本对来确定未知像素的初始先验值。
3.根据权利要求1所述的一种基于双层仿射框架的共享图像抠图方法，其特征在于：在步骤二中，利用FLANN方法寻找未知点的K个最近邻点，并设置权值来构造KNN稀疏矩阵。
4.根据权利要求1所述的一种基于双层仿射框架的共享图像抠图方法，其特征在于：在步骤三中，假设局部窗口内像素的颜色为固定颜色的线性组合，通过颜色线性模型和抠图公式进行计算。
5.根据权利要求1所述的一种基于双层仿射框架的共享图像抠图方法，其特征在于：在步骤三中，结合KNN方法和颜色线性模型的结果，通过特定的权重融合策略，得到最终的图像抠图结果。
6.根据权利要求1所述的一种基于双层仿射框架的共享图像抠图方法，其特征在于：使用均方误差(MSE)和绝对误差(SAD)作为误差评判标准，对算法结果进行定量分析。
【技术特征摘要】
1.一种基于双层仿射框架的共享图像抠图方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于双层仿射框架的共享图像抠图方法，其特征在于：在步骤一中，通过发射射线收集前景和背景样本对，并选择最佳样本对来确定未知像素的初始先验值。
3.根据权利要求1所述的一种基于双层仿射框架的共享图像抠图方法，其特征在于：在步骤二中，利用flann方法寻找未知点的k个最近邻点，并设置权值来构造knn稀疏矩阵。
4.根据权利要求1所述的一种基于双层仿射框架...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。