[发明专利]基于纹理分布弱假设和正则化策略的自然图像抠图方法

说明书

本发明提供了一种基于纹理分布弱假设和正则化策略的自然图像抠图方法，本发明针对贝叶斯抠图算法的不足作出了改进，首先针对原方法假设过强，本发明减弱了该假设，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和修正系数，从而提出一种考虑纹理复杂程度的自适应方差高斯分布模型，有效应对自然图像的复杂纹理分布；其次，针对原方法的计算模型，本发明在给出一个理想的纠偏性颜色估计优化模型及其求解问题的基础上，提出了一种基于正则化策略的抠图算法模型，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，获得理想优化模型的一个正则化形式的求解模型。

技术领域

本发明涉及图像抠图领域，尤其涉及一种基于纹理分布弱假设和正则化策略的自然图像抠图方法。

背景技术

抠图是图像处理的热点问题，抠图是将图像中的一部分从整幅图像中分离出来。分离出来的部分称为前景，余下的部分称为背景。抠图广泛应用于数字图像编辑、影视特效制作、虚拟现实等各种领域。但是抠图问题是一个典型的欠约束问题，没有精确的解析解，一直是计算机图像处理领域的挑战性问题。

当前主流的抠图算法有两大类方法：基于采样的方法和基于传播的方法。基于采样的方法是利用邻域的像素信息，而基于传播的方法则是主要利用邻接像素的信息。

基于采样的方法利用了图像颜色分布的局部相似性和连续性，假设每个未知像素的前景和背景都可以从邻域内已知像素获取，对于每个未知点的像素，在已知区域内选择最优的样本来进一步求解掩像值。

发明内容

为了解决上述问题，本发明提供了一种基于纹理分布弱假设和正则化策略的自然图像抠图方法。

本发明的技术方案是：一种基于纹理分布弱假设和正则化策略的自然图像抠图方法，其特点在于以下步骤：

步骤1：将图像分为三个部分，已知前景区域，已知背景区域和未知待求解区域；

步骤2：在未知待求解区域取一个点p，假设坐标是(x,y)；在p周围半径r内分别采集前景样本和背景样本；

步骤3：对采集到的样本作分簇处理，得到分簇的结果前景的加权均值和背景的加权均值前景的协方差矩阵∑_F和背景的协方差矩阵∑_B；

步骤4：通过贝叶斯框架建立颜色和不透明度的数学关系模型P(F,B,α|C)，然后使用最大后验概率Maximum A Posteriori——MAP对模型进行优化求解；

通过贝叶斯公式将模型转化：

对转化的模型进行对数操作：

arg max L(F,B,α|C)＝L(C|F,B,α)+L(F)+L(B)

其中，L(α)是常数；

对L(C|F,B,α),L(F),L(B)三个对数似然函数的具体形式使用高斯分布函数描述：

P(F,B,α|C)为在C已知的条件下，F，B，α是正确结果的概率；

P(C|F,B,α)为在F，B，α已知的条件下，所求的C是正确结果的概率；

P(F)为所求F是正确结果的概率；

P(B)为所求B是正确结果的概率；

P(α)为所求α是正确结果的概率；

P(C)为C是正确结果的概率，此处C是常数；

为使概率P(C|F,B,α)最大化的表达式；