[发明专利]抠图方法及装置

权利要求书

1.一种抠图方法，其特征在于，所述方法包括：

将输入图像输入预设的全卷积网络，得到所述输入图像中的每个像素的属于前景区域的预测分值F^s、属于背景区域的预测分值B^s和属于未知区域的预测分值U^s；所述全卷积网络是用于对每个像素所属区域进行预测的神经网络；

根据所述输入图像中的每个像素的所述F^s、所述B^s和所述U^s，计算所述输入图像对应的前景概率矩阵F和背景概率矩阵B；所述前景概率矩阵F用于表示所述输入图像中每个像素属于所述前景区域的概率，所述背景概率矩阵B用于表示所述输入图像中每个像素属于所述背景区域的概率；

将所述前景概率矩阵F和所述背景概率矩阵B输入预设的抠图实现函数，得到所述输入图像的透明度值矩阵，所述抠图实现函数是利用第一样本图像对抠图目标方程的最优解采用预设的误差后向传播算法进行训练后得到的，所述第一样本图像和所述输入图像具有相同的预设图像类型，所述透明度值矩阵是用于对所述输入图像进行抠图的矩阵。

2.根据权利要求1所述的抠图方法，其特征在于，所述抠图实现函数是利用第一样本图像对抠图目标方程的最优解采用预设的后向传播算法进行训练后得到的，包括：

获取所述第一样本图像的前景概率矩阵F、背景概率矩阵B和样本透明度值矩阵；

将所述抠图目标方程的最优解作为初始的抠图实现函数；

将所述第一样本图像的所述前景概率矩阵F和所述背景概率矩阵B输入所述抠图实现函数，得到所述第一样本图像的训练透明度值矩阵；

根据所述训练透明度值矩阵和所述样本透明度值矩阵之间的误差，采用误差后向传播算法对所述抠图实现函数中的参数进行修正；

重复上述修正步骤，当所述训练透明度值矩阵和所述样本透明度值矩阵之间的误差小于预设阈值时，得到训练后的所述抠图实现函数。

3.根据权利要求2所述的抠图方法，其特征在于，当所述抠图实现函数为f(F,B；λ)＝λ(λB+λF+L)^-1F时，所述根据所述训练透明度值矩阵和所述样本透明度值矩阵之间的误差，采用误差后向传播算法对所述抠图实现函数中的参数进行修正，包括：

当所述误差大于所述预设阈值且所述误差后向传播算法采用梯度下降法时，通过如下偏导数构建所述梯度下降法中的梯度；

根据所述梯度按照预定步长更新所述抠图实现函数中的所述参数λ，使得更新参数后的所述抠图实现函数输出的所述训练透明度值矩阵逐步逼近所述样本透明度值矩阵；

其中，f是所述抠图实现函数，F是所述前景概率矩阵，B是所述背景概率矩阵，λ是利用所述第一样本图像进行训练的参数，D＝λB+λF+L,L是已知的抠图拉普拉斯矩阵，diag是用于构建对角矩阵的函数。

4.根据权利要求1至3任一所述的抠图方法，其特征在于，所述根据所述输入图像中的每个像素的所述F^s、所述B^s和所述U^s，计算所述输入图像对应的前景概率矩阵F和背景概率矩阵B，包括：

将所述输入图像中的每个像素的所述F^s、所述B^s和所述U^s输入如下公式，得到所述F：

将所述输入图像中的每个像素的所述F^s、所述B^s和所述U^s输入如下公式，得到所述B：

其中，exp是以自然常数e为底的指数函数。