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。

全局Poisson抠图的实现与改进

数字抠图技术是一种把图像的前景部分从背景中分离出来的一种技术,它在电影、电视等视频制作中得到了广泛的应用。文章主要目的是对Poisson抠图方法进行改进,以取得更好的处理效果或更快的处理速度。首先对Poisson抠图技术进行了简单的介绍,并对它的实现过程进行了描述。最后,用区域生长的方法对全局Poisson抠图进行了改进,减少了算法的执行时间。

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。

图像抠图处理技术分析

数字抠图处理技术可以完美地将图像中的前景和背景分离开,并且可以在后期合成中为图像更换虚拟背景。本文分析了图像抠图技术的原理,并介绍了几种常用的抠图算法法,由于每种算法在图像抠图中都有一定的局限性,应用多个算法组合应用实现了人物的自动抠图,并比较了AI图像抠图的优缺点。

基于多级表征线索注意模型的轻量化抠图方法

面对主流计算平台对框架轻量化的需求,设计一种基于多任务结构的轻量化抠图框架.将总体任务拆分为两类子任务,其中一类任务用来在语义层面上为高级特征分类,区分前景背景与未知区域的特征;另一类任务用于计算前景与背景图层的线性组合权重.通过与特征分类任务共享高级特征网络的权值获得精准的前景特征,再与低级别卷积特征相融合.所提出的模型能够生成精准的抠图掩膜,同时优化卷积神经网络来实现模型轻量化.在Composition 1K数据集上对比不同方法的实验结果:在分辨率为640×640的输入条件下,所提方法比DIM (deep image matting)和AdaMatting (adaptation and matting)方法分别减少19%和81%的空间消耗;对于同样的数据输入,所提方法需要的处理时间只有DIM消耗时间的五分之一.

基于CT图像分割的Knockout改进算法

Knockout算法对初始交互轮廓线的依赖性较高、鲁棒性较差。为此,提出一种改进算法,引入CT图像的典型纹理特征信息对初始交互轮廓线进行修正,通过自适应阈值和区域生长法修正前景区域,利用负梯度搜索法修正背景区域,通过颜色空间变换将透明度的三通道表达式转换为单通道形式。实验结果表明,改进算法对初始交互轮廓线的依赖性较低,分割的准确度较高。

改进alpha-matting算法及其在军事红外目标提取中的应用

针对红外图像的成像特点,为了更加精细准确的获得红外目标,提出基于通道抠图(alpha-matting)的红外目标提取方法.利用目标监测的连续帧变化特性,将相邻帧进行差分运算,从而获得目标前景(即目标)、背景、不确定区域;采用二次方贝塞尔曲线(Quadratic BézierCurve)拟合法建立动态调整曲线方程,计算出精确的前景透明度值(也即通道alpha值),实现alpha值的自动选择。仿真结果表明,改进算法能有效的提取红外目标(尤其红外小目标),准确率高,实时性好,具有很好的应用前景.

基于深度的双尺度前背景分离模型

针对前景物体从图像背景中分离时错误率较高的问题,提出一个新的基于深度的双尺度前背景分离模型,利用图像内在特性(提取为拉普拉斯矩阵)及各物体的空间信息(由扫描设备得到的深度图像),较好地去除了前背景交界处颜色相似性造成的歧义。实验结果证明,该模型在视觉上能大幅度改进典型前背景分离模型的结果。