基于多准则采样的自然图像抠图算法

抠图作为图像处理领域的热点难题,已广泛应用于目标识别、虚拟现实和前景提取等方面。然而,图像高质量像素较少时难以获取高质量像素对的问题一直存在,鉴于此,提出基于多准则采样的抠图算法。该算法通过多准则采样策略从全局相似性到局部相似性的角度获取高质量的候选子集,从而解决高质量像素对较少时易丢失等问题。在此基础上,设计多评价联合的最优像素对选取策略,该策略通过联合多个像素对评价函数,以避免单一评价函数估计的解不是当前最优解。为了验证该算法优越性,选用Alpha matting基准数据集作为实验数据。实验结果表明,在图像高质量像素较少时难以获取高质量像素对的问题上,该算法估计前景透明度遮罩优于目前典型的抠图算法。

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。

基于感知颜色空间的自然图像抠图

提出了一种基于感知颜色空间的快速自然图像抠图算法 该算法首先手工把图像进行区域划分;接着采用一个简单实用的模型估计前景和背景颜色;最后提出了新的基于感知颜色空间的透明度估计算法,把透明度的计算细分为亮度和色度透明度的计算与已有的算法相比,在具有同等效果的情况下。

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。

基于纹理分布弱假设和正则化策略的自然图像抠图

针对经典贝叶斯抠图方法在函数建模和模型求解方面存在不足,提出基于纹理分布弱假设和正则化策略的抠图方法:首先针对函数建模问题,基于直方图和巴氏距离,定义和设计了对高斯分布方差进行修正的计算测度以及修正系数,提出一种考虑纹理复杂程度的自适应方差高斯分布模型;然后针对模型求解方法的不足,提出一种基于正则化策略的抠图求解模型,即通过增广拉格朗日乘子法,在基本模型中增加了数据约束项与惩罚项.通过定性和定量相结合的方式进行实验,结果表明该方法在复杂纹理区域上取得更好的效果,并且更加接近真实值.

自然图像抠图技术综述

着重对近几年自然图像抠图研究新进展进行综述,针对近年来基于启发式优化的抠图研究以及基于深度学习的抠图研究新成果对抠图研究工作进行重新分类和梳理,分析不同类型自然图像抠图研究主要的方法并整理其中的关键问题,介绍常用的自然图像抠图评价指标。最后通过实例分析总结了当前自然图像抠图研究面临的挑战,并对未来的研究前景进行了探讨。

自然图像对的联合抠图方法

针对自然图像的抠图问题,研究了一种基于闭形式解的图像对联合抠图方法。根据输入的两张图像与其初始掩像,计算图像对之间的相似矩阵;扩展现有描述单幅图像的抠图拉普拉斯矩阵,提出一种联合抠图拉普拉斯矩阵来刻画图像对;基于联合抠图拉普拉斯矩阵构造能量函数,并通过求解其极小值得到图像对的抠图结果。在多个数据集上进行了实验,实验结果表明新方法具有很好的抠图效果,适用于连续图像序列的抠图。

基于规范化用户输入空间的自然图像抠图

为了降低自然图像抠图中抠图算法对用户输入的敏感度,提出了规范化用户输入空间(Normalized User Input Space,NUIS)的概念及一种基于NUIS空间的抠图算法(NUIS-Matting)。方法首先将原始图像过分割为超像素(superpixels)并引入超像素前景不透明度以提高算法的抗噪能力,再用超像素构造NUIS空间并将原始用户输入映射到NUIS空间。然后使用一种更有效的采样方法在NUIS空间中采样前景及背景颜色对来计算未知区域像素点的前景不透明度及其置信度,并选取对应高置信度的不透明度作为初始结果;最后使用随机游走(random walk)解一个图标记问题(graph labeling problem)得出优化后的结果。实验结果表明,方法大大降低了抠图对用户输入的敏感度,提高了抠图结果的质量。

基于人工免疫调节网络的自然抠图算法及应用

自然图像抠图效果取决于待分离图像的α掩图的精度。基于改进的人工免疫调节网络的自然抠图算法是为未知区域中的象素点定义一个即反映颜色适应度也反映空间信息的权值函数,利用人工免疫网络在前景和背景的全局范围内搜索,以得到该像素点对应的最佳的样本对(F,B),从而得到α掩图。通过实验与其他算法比较,该算法对用户输入的依赖较少,对复杂背景图像的抠图精度高,稳定性好,且对于细长头发丝区域及毛发类的边界区域的划分特别有效。

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。

基于Closed-Form抠图算法的复杂背景下植物叶片提取

植物叶片提取是一种将拍摄到的植物叶片与其周围景物分离的技术,它为计算机技术在植物叶片检索中的应用提供了基础数据和技术支撑。由于自然场景下拍摄的植物叶片往往含有复杂的背景信息,这使得植物叶片提取成为一项比较复杂的工作。分析复杂背景下植物叶片提取的难点,针对现有的基于图像分割提取技术存在的缺陷,将Closed-Form抠图算法引入其中并提出1种基于Closed-Form抠图算法的复杂背景下植物叶片的提取方法。该方法首先需要用户对具有复杂背景的叶片图像添加一定的约束条件,然后通过估算未知像素的透明度α对其进行前景与背景的确认,从而较好地将具有复杂背景的植物叶片提取出来。试验对比结果表明,该方法效果较好。

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。

基于改进Bayes抠图算法的麦穗小穗自动计数方法

小麦产量评估需人工获取田间单位面积的麦穗数和麦穗小穗数,往往耗时耗力。为了实现高效、自动地麦穗小穗计数,提出一种基于改进Bayes抠图算法的麦穗小穗自动计数方法。该方法首先利用改进Bayes抠图算法对获取地自然生长条件下的麦穗图像进行抠图,将麦穗从自然背景中分割出来。然后对该图像进行平滑滤波和二值化,运用迭代极限腐蚀运算对二值化图像进行腐蚀处理,去除麦穗图像中的麦芒,分离出麦穗上每个单独的麦穗小穗。再运用面积滤波滤除掉面积过小的区域,对剩余区域的黑洞进行填充,由此每个单独的麦穗小穗形成一个单独的连通区域,最后对连通区域进行标记和计数,完成麦穗小穗的自动计数。使用4个小麦品种的麦穗图像对麦穗上的小穗进行计数验证,结果表明,该方法在识别4个品种田间麦穗单幅图像中小穗数量的平均计数精度达到94.53%,平均相对误差为5.47%,对比已有麦穗小穗自动计数方法,计数精度显著提高,这对于小麦在线产量预估具有重要意义。

基于颜色空间采样的抠图算法

由于自然图像抠图具有高度的不确定性,目前的抠图方法中对于前背景颜色较为复杂的图片处理效果并不理想。本文首先通过采集大量的样本对来估计初始的掩膜值,但是通过采样得到的样本对并不能很好地估计掩膜值,为此定义未知像素与前背景样本点的空间距离和颜色距离函数来对其进行优化。通过最小化该代价函数来求得最优的样本对,使得最终得到的结果实现了准确性和鲁棒性的良好均衡。自然图像抠图实验结果表明,与其他几种抠图算法相比,本算法在视觉效果上和均差误差上都优于其他算法。

基于贝叶斯抠图的图像背景虚化技术

该文采用图像背景虚化处理技术来提高图像的表现力,突出前景在图像中的主要位置,表现图片的艺术效果,用图像处理的方法实现单反摄像机得到的背景虚化的效果。首先,利用用户自主输入的交互式贝叶斯抠图算法,分离出前景和背景区域。其次,通过均值滤波方法,将分割出来的背景区域模糊虚化。最后,将分割出的前景与经过虚化的背景做图像合成,产生一张有背景虚化的图片。该文提出的基于贝叶斯抠图的图像背景虚化技术的实现效果良好,实现了单反相机高质量的摄影效果,同时也可在携带便捷的平台上实现操作,为社会市场提供了优秀的技术支持。

基于语义分割的图像风格迁移技术研究

随着民族服装文化的碰撞与融合,对图像风格迁移技术进行了研究,阐述了当前风格迁移的研究现状,将蒙古族服饰风格与汉族风格进行融合,继承和弘扬了民族文化。针对蒙古服饰元素多样、颜色差异大、花纹不规则性等特征而引起的风格提取难度大的问题,采用K均值与封闭式自然抠图算法相结合的方法进行图像分割,基于神经网络提取图像的风格和内容,利用图像重建技术合成结果图,实现蒙汉服饰图像风格迁移;针对输出图像伪影严重的问题,采取一种改进的图像风格迁移算法,将输入图像到输出图像的变换约束在色彩空间的局部仿射变换中,将这个约束表示成一个完全可微的参数项,有效抑制图像扭曲,针对真实照片风格迁移过程中存在的空间不一致问题,进行平滑处理确保风格处理后空间风格一致,该方法大大加快了运算速度。

数字抠图技术综述

数字抠图是一种把图像的前景部分从背景中分离出来的技术,它通过用户指定图像中少量部分前景和背景区域,并根据这些提示按照一定的判定规则自动、准确地分离出所有的前景物体.回顾了该技术的历史发展过程,包括光学场景抽取、蓝屏抠图和图像合成技术,重点介绍了数字蓝屏抠图、自然图像抠图以及数字抠图技术的扩展和应用,如环境抠图、阴影抠图、视频抠图等,并对这几种技术的局限性以及发展方向做了简要的说明.

复杂背景下的树木图像提取

树木图像提取是将树木地面摄影图像中的单株树木与其周围景物分离的技术,为计算机技术在林业中的应用提供基础数据和技术支撑。在自然场景中拍摄的背景具有不确定性的树木图像,其提取是一项探索性很强的工作,具有重要的实用价值和现实意义。本文分析了复杂背景下树木图像的特点和提取的难点等问题;把近年来出现的树木图像提取方法按照图像分割和自然图像抠图分成两大类,并分别对每种方法中的典型算法进行了详细阐述。在此基础上,对图像分割与自然图像抠图技术在树木图像提取应用中的优势和局限性进行了分析和比较,提出把图像分割和自然图像抠图技术合理结合,针对树木图像特征,设计出准确、快速、实时的树木图像提取技术是未来研究的重点和难点。

一种基于K-means与Close-Form融合的树木图像提取方法

基于图像的树木自动提取是其种类、长势、形态等信息智能化判别的基础,如何实现树木的自动、准确、快速提取是具有实用性的科学问题。在自然场景中,由于图像元素多样、颜色差异大,树木自身存在不规则性,树木提取难度非常大。针对现有的图像分割与图像抠图法在树木提取过程中分别存在的误分割与过程复杂所导致的计算量大的问题,提出了一种基于K-means聚类算法优化Close-Form图像抠图的树木提取方法。在少量的标记下,依据颜色线性假设进行最小化代价函数计算,得到图像透明度;对透明度图像依次进行中值滤波、高斯滤波,得到透明度的去噪图像;对滤波后透明度与标准化的图像绿色分量组成二维空间进行K-means二聚类,实现背景与前景对象的准确判定,进而完成自然背景的树木图像提取。为了验证所提方法在不同场景和不同标记下的树木提取有效性,设计了基于K-means图像分割和传统Close-Form抠图方法的比较性试验。结果表明,基于K-means优化Close-Form的树木提取方法解决了传统Close-Form算法在少量标记下图像前景、背景估计不准确问题,克服了图像分割存在的误分类情况,实现了不同自然环境和多目标树木对象的提取。此方法具有对象提取稳定、计算时间快的优点,相对原Close-Form算法用时减少49.98%。