基于显著目标移动的自动抠图方法

抠图技术是一种常用的提取图像中精确目标区域的方法,在图像编辑中有着重要的应用,现有的大多数抠图技术依赖于人工交互,本文提出一种基于显著目标移动的自动抠图方法。首先对输入图像进行区域分割;然后计算各个区域的显著性值,并建立区域之间的显著性引力模型;在此基础上进行基于显著目标移动的迭代,从而获取图像的显著区域;之后对显著图进行分割并且进行目标区域形态学运算,生成三分图;最后利用基于学习的抠图算法,提取图像目标。实验结果表明,本文方法不需要人工交互和其他的辅助信息,目标抠取效果良好。

基于深度学习的自动抠图技术研究

针对计算技术视觉中的抠图问题,分析利用人工智能技术进行自动抠图的实现方法,通过深度学习技术结合大数据的优势实现端到端的精准抠图。首先,列出抠图技术在生活中的应用场景;然后,介绍抠图任务的目标和实质,并将抠图与图像分割进行对比分析;接下来重点介绍近年来利用深度卷积网络实现自动抠图的五类模型和算法,分析其在模型结构、数据集构建、模型训练方面的不同特点和实现方法;最后,归纳总结基于深度学习的自动抠图方法和精细的抠图数据集的创建方法。

基于上下文学习的轻量级自动抠图算法

为解决以往算法无法平衡精度和模型大小的问题,提出一种基于上下文学习的轻量级自动抠图算法。采用上下文特征聚合模块和编解码结构相结合的方式进行网络构建,其中编解码器能够有效进行特征提取,通过恢复空间信息捕获更清晰的对象边界;上下文特征聚合模块能够编码多尺度的上下文信息,保留更多细节纹理特征,提高结果的精度。将深度可分离卷积应用到网络主干,形成更快、更强的编解码网络。经Compositon-1k数据集测试,其结果表明,在不进行任何后处理的情况下,该算法精度优于DIM算法,模型参数量较DIM模型降低了98.1%。

基于模糊估计融合显著性检测的自动抠图算法

提出了一种新的自动抠图算法框架。首先,估计输入图像各个区域的模糊程度;其次,对图像进行显著性的计算;然后融合模糊度和显著性信息,大致分割出前景和背景,从而自动生成标注前景、背景、未知区域的三色图;最后,采用基于采样的抠图算法就可以准确地完成前景目标物体的自动抠图。该算法无须人工辅助或附加信息。在标准数据集和实拍图像上的实验结果证明了该算法的准确性和实用性,可广泛应用于图像和视频的编辑合成。

基于深度学习的人物肖像全自动抠图算法

针对抠图任务中人物抠图完整度低、边缘不够精细化等繁琐问题,提出了一种基于深度学习的人物肖像全自动抠图算法。算法采用三分支网络进行学习,语义分割分支(SSB)学习α图的语义信息,细节分支(DB)学习α图的细节信息,混合分支(COM)将2个分支的学习结果汇总。首先算法的编码网络采用轻量级卷积神经网络(CNN) MobileNetV2,以加速算法的特征提取过程;其次在SSB中加入注意力机制对图像特征通道重要性进行加权,在DB加入空洞空间金字塔池化(ASPP)模块,对图像的不同感受野所提取的特征进行多尺度融合;然后解码网络的2个分支通过跳级连接融合不同阶段编码网络提取到的特征进行解码;最后将2个分支学习的特征融合在一起得到图像的α图。实验结果表明,该算法在公开的数据集上抠图效果优于所对比的基于深度学习的半自动和全自动抠图算法,在实时流视频抠图的效果优于Modnet。

基于图像显著性识别的自动抠图系统

RC算法引入区域级别的对比度,对颜色模型进行重新量化,能大幅提高处理速度、突出显著目标,然而其基于图的分割算法易出现分割区域不能较好地贴合物体边缘的问题。引入优化的SLIC算法代替基于图的分割算法,对RC算法进行改进,并实现一个基于图像显著性识别的自动抠图系统,克服传统抠图系统必须人工标记的缺点。实验结果表明,相比IT、MZ、GB、RC等经典算法,改进的RC算法抠取的显著目标更精确,其查准率、查全率、 F 值分别为0.82、0.85和0.83,系统能自动抠取显著目标并提供图片合成应用。

基于单幅图像的自动抠图技术研究

数字抠图是计算机视觉中很重要的领域。通过提取出图像的前景并与新的背景进行合成,在工业中有很多应用。目前,主流抠图方法中人工参与信息是最为重要的先决条件。针对这一问题,本文提出一种新的方法。通过镜面反射原理,获取物体两个不同方向的视觉信息,在现有光流机制的辅助下计算出其景深信息;然后,由算法自动生成trimap,完成自动抠图的整个流程。本文提出方法具有设备简单和效果稳定的优点。最后,通过实例验证了本文的方法的有效性。

嵌入卷积块注意力模块的人像自动抠图算法

针对常用人像抠图算法需要输入人工标注三分图及抠图精度不高的问题,提出一种嵌入卷积块注意力模块的人像自动抠图算法。该算法使用三分支网络进行学习:首先预分割分支网络将MobileNetV2与Unet相结合,减少网络参数,引入h-swish激活函数,保留更多有效特征,获取三分图;然后在Alpha抠图分支网络嵌入卷积块注意力模块(CBAM),更好地获取图像多尺度信息,实现Alpha图的初步预测;最后通过细节融合分支网络将以上两个分支的输出进行特征融合,得到Alpha图。实验对比本文算法与现有深度图像抠图(DIM)算法,结果表明,本文算法的绝对误差和(SAD)降低了7.5%、均方误差(MSE)降低了19.4%,实现了人像自动抠图,并获得了良好的抠图效果。

人体前景的自动抠图算法

在基于立体视觉的人体建模系统中,背景像素的移除可以减少不必要的立体匹配计算,提高人体模型重建效率.为此,在给定大量具有前景Alpha蒙板真值的人体图像作为训练数据的前提下,提出了一个端到端的深度学习网络,以实现系统采集图像中人体前景自动抠图.该深度学习网络包括2个阶段:人体前景分割阶段和人体前景Alpha抠图阶段.在人体前景分割阶段,采用Mask R-CNN网络中的目标检测和掩码生成2个负载,并结合训练数据进行迁移学习,得到了适用于人体前景二值化分割的模型网络.在人体前景Alpha抠图阶段,采用Encoder-Decoder网络架构实现Alpha蒙板的自动预测.首先引入核为5的非学习卷积层,以上一个阶段的二值化分割结果作为输入,自动得到三分图Trimap,再和人体前景训练数据一起作为此阶段抠图网络的输入;经过学习迭代,获得能够预测人体前景Alpha蒙板的模型网络.在实验部分,以单幅系统采集人体图像为输入,无需额外先验和人工交互,可以自动估计人体前景Alpha掩码结果.用户测试结果以及与其他方法的对比和分析证明了文中算法的可靠性和鲁棒性;同时,该自动抠图算法还对其他公开数据集的人体图像进行了掩码预测,实验结果表明该算法具有一定的泛化能力.

基于层次特征聚合的自动人像抠图

针对抠图任务中人像毛发这类细微结构局部区域出现的误抠问题,其本质是此区域中混合信息所导致的图像像素点透明度遮罩回归预测不准确问题,提出一种端到端的层次特征聚合抠图网络模型。该模型通过一个共享编码器和两个独立解码器,利用通道和位置注意力机制,以层次特征聚合方式聚合低层次纹理线索和高层次语义信息,能够在没有额外输入的情况下从单个人像的精细边界和自适应语义中感知前景透明度遮罩。基于此,结合交叉熵损失、未知区域的透明度遮罩预测损失和结构性损失,以引导层次特征聚合抠图网络模型完善前景整体结构,恢复毛发纹理细节。为验证所设计模型的有效性,在自建的MCP-1k和公开的P3M-500-NP数据集上进行验证分析,实验结果表明所提模型在MSE和SAD指标上的误差分别为0.0076,25.59与0.0072,25.52,与其他典型深度抠图模型相比在恢复人像细微毛发和完善人像语义结构方面有较大提升,解决人像毛发区域的误抠问题。

Dynamic Unet+:一种轻量精确的语义分割算法及应用

图像语义分割是计算机对场景理解的一个重要环节。随着模型精度的不断提高,日益增长的模型参数量和不断下降的分割速度使得模型实际应用存在一定困难。因此在轻量级语义分割框架Unet的基础上,提出了一个简单快速的基于ResNet的动态Unet+的语义分割架构,即Dynamic Unet+,该模型在保持较高精度的同时,可拥有较少的参数量。在Camvid、PASCAL VOC2012等语义分割数据集中取得了很好的实验结果。通过对复杂背景下的自动人像抠图进行实验,对使用两个肖像分割数据集训练的模型在自动证件照制作、背景编辑等实际应用中取得了较好的实验结果,从而进一步验证了该模型的有效性和实用性。