[发明专利]一种基于流形学习的抠图方法

摘要

本发明属于计算机视觉和图像处理技术领域，具体涉及一种基于流形学习的抠图方法。本发明通过基于流形学习的思想深入挖掘了图像颜色子空间与Alpha子空间的关系，较好地解决了抠图的局部数据冗余问题。通过定性和定量实验对比证明本发明所提供的基于流形学习抠图方法具有精确性、普遍适应性等特点，具有很高的实际应用价值。

主权项

一种基于流形学习的抠图方法，其特征在于：包括以下步骤：1】载入图片和人工标记三分图，定义像素i的RGB颜色信息为Ii；对于图像的每个像素i，定义一个局部窗口wi：wi＝{i1,...,ip}定义颜色空间Xi：Xi={Iij|ij∈wi,j=1,...,p}]]>其中，p为局部窗口wi内像素索引号，ij为像素i在局部窗口wi内的第j个近邻像素点；为像素ij的RGB颜色信息；2】应用流形学习方法将高维度的颜色空间Xi转换为低维度的颜色子空间Yi：Yi＝PiXiYi=(Y1(i),...,Yp(i))]]>其中，Pi是高维空间到低维子空间的仿射变换矩阵；3】在局部窗口wi内应用流形学习算法，得到d维RGB颜色子空间正交系Qi：Iij=I‾i+QiYj(i)+ξj(i)]]>其中，d≧3，为重构误差，E是单位矩阵，是Yi中的颜色子空间数据，是颜色信息的均值向量；推导基于的透明度αi空间的重构误差公式：αij=α‾i+PiYj(i)+ϵj(i),j=1,...,p;i=1,...,N]]>Ai=1pAieeT+PiYi+Ei]]>其中，表示第i个像素窗口内邻域点的透明度的平均值；表示第i个像素窗口内邻域点的透明度集合；e＝(1,...,1)T，是一个p维向量；是重构误差向量；4】集合所有图像局部块的重构误差，导出整体重构误差：minPi,αiΣi||Ei||2=Σi||Ai(E-1peeT)-PiYi||2]]>Wi=(E-1peeT)(E-Yi+Yi)]]>其中，Yi+是Yi的Moore‑Penrose伪逆；由Ei＝AiWi，可得Ai局部窗口之间有重叠，导出公式：Σi||Ei||2=ASWWTSTAT=AMAT]]>M＝SWWTST其中，M为流形学习矩阵，S＝[S1,...,SN]为选择矩阵，W＝diag(W1,...,WN)是由图像上所有矩阵块Wi拼接而成的对角线矩阵；5】在人工标记三分图先验信息下，应用迭代算法迭代优化最小化能量公式：min0≤A~≤1f(A)=AMAT]]>Ak+1=max{0,min{1,sk-1Ckf′(sk)}}]]>其中，f'(sk)是f(A)在搜索点序列sk的导数，Ck是根据sk取值而动的幅度因子；迭代算法限定透明度Alpha值值域为[0,1]；迭代n次后得到最优图像透明度的解Ai，作为透明度前景掩模；6】应用步骤5】得到的透明度前景掩模分割出前景输出图像：将原始图像像素点颜色与对应的透明度作运算，得到输出图像的映射像素点；最后得到前景输出图像。