[发明专利]一种图像抠图方法及系统

说明书

本公开提供了一种图像抠图方法及系统。其中，图像抠图方法，包括步骤1：利用图像训练集训练图像抠图模型；图像训练集中的样本包括原始图像及与其对应的三分图、金标准遮罩和金标准组合遮罩；所述图像抠图模型包括深度特征提取模块，用于学习原始图像的语义特征和细节信息特征；相似度学习模块，用于融合后的语义特征和细节信息特征，得到像素点的相似度关系；遮罩传播模块，用于根据三分图和像素点的相似度关系，通过传播算法求得每一个像素点的遮罩值，输出原始图像对应的阿尔法遮罩图；步骤2：将待抠图的原始图像以及与其相对应的三分图输入至训练完成的图像抠图模型，输出待抠图的原始图像对应的阿尔法遮罩图。

技术领域

本公开属于数字图像处理领域，尤其涉及一种图像抠图方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

抠图技术指把任意形状的前景物体从原始图像中提取出来的一项技术，是现代影视制作中不可或缺的技术手段，广泛应用于杂志设计、平面艺术、广告、影视后期制作等领域。图像抠图技术是把图像或影像中的某一部分从原始图像或影像中分离出来，现今已成为视觉特效制作中的一项关键技术。总体来说，对自然图像前景、后景的提取与合成，随着视频制作、基于图像的建模和绘制、视频压缩等应用领域的开拓而变得更加迫切。

抠图问题提出至今几十年的时间，1984年学者Porter和Duff首次从数学上定义了抠图问题，对于一幅原始图像I可以分解完一幅前景图像F和一幅后景图像B，在α遮罩下的线性组合I＝αF+(1-α)B(如图2所示)，其中α取值范围是[0,1]，当α＝0或1时，图像中α所对应的像素分别属于绝对前景或后景。自然图像中绝大部分区域属于绝对前景或后景，对于介于两者之间的边缘区域，如毛发等，像素颜色往往出现混合，此时的α值介于0到1之间的实数。该技术的难点是：对于彩色图像，合成公式是有I、F、B三个通道合成的公式组成的线性方程组，因此彩色图像的抠图问题是已知3个变量的严重欠约束问题，因此使得求得精确的α值变得非常困难。

针对图像抠图已经提出了很多方法，发明人发现没有一种抠图方法能在精度和速度方面都达到理想效果。如基于采样的方法、基于传播的方法、将采样和传播结合的方法的抠图方法，此类方法依赖于人工设计的简单特征，如颜色等信息，该类方法求解的准确性受假设条件限制，将此类方法应用于实际自然图像抠图时往往存在一定的局限性，实用性不高；随着近年来深度学习技术风靡各个领域，出现了一些基于深度学习网络模型的图像抠图技术，此类方法通常直接逐像素求解遮罩，随着图像尺寸的增大，计算复杂度与参数复杂度成指数级上升。另一方面，当抠图的前景与后景具有相似色调时，现有抠图技术难以准确的区分相似色调的像素点属于前景还是后景。

发明内容

根据本公开的一个或多个实施例的一个方面，提供一种图像抠图方法，其尤其适用于前后景相似色调的图像，能够保证抠图结果的准确率和精度。

本公开的一种图像抠图方法，包括：

步骤1：利用图像训练集训练图像抠图模型；其中，图像训练集中的样本包括原始图像及与其对应的三分图、金标准遮罩、金标准组合遮罩；

所述图像抠图模型包括深度特征提取模块，其用于学习原始图像的语义特征和细节信息特征；相似度学习模块，其用于融合后的语义特征和细节信息特征，得到像素点的相似度关系；遮罩传播模块，其用于根据三分图和像素点的相似度关系，通过传播算法求得每一个像素点的遮罩值，输出原始图像对应的阿尔法遮罩图；

步骤2：将待抠图的原始图像以及与其相对应的三分图输入至训练完成的图像抠图模型，输出待抠图的原始图像对应的阿尔法遮罩图。

其中，三分图为人工标注绝对背景、绝对后景和未知区域的图像，与原始图像等大小，其中绝对前景像素点值标记为1，绝对后景像素点值标记为0，未知区域的值标记为0.5；