本文關鍵詞：視覺感知特性指導下的自然圖像摳圖算法研究

  更多相關文章： 圖像摳圖 視覺顯著性 前景提取

【摘要】：摳圖(matting)是圖像處理的一項重要技術,其目標是以遮罩形式提取出靜態(tài)圖像或動態(tài)視頻中任意形狀的前景物體,以方便將提取出來的前景物體合成到全新場景中,得到新的合成圖像或視頻。摳圖成為圖像處理的研究熱點,吸引人們的關注,這主要有兩方面的原因。一方面,摳圖涉及到計算機視覺和機器學習的融合,為圖像編輯提供基礎,在工業(yè)設計和家庭娛樂等方面,有極其廣泛的應用,具有巨大的商業(yè)價值。另一方面,提取任意形狀的前景也是圖形學和計算機視覺中非常具有挑戰(zhàn)性的一個部分,目標形狀的復雜細節(jié)、透明通道的處理、遮擋和光照改變、背景相似物的干擾等因素都使得該問題異常復雜。盡管經過幾十年的研究,不同研究者提出了很多摳圖算法,然而如何實現(xiàn)復雜環(huán)境下的魯棒和精確地前景提取依然需要深入研究,這使得摳圖具有較大的理論研究價值。本文深入分析現(xiàn)有摳圖技術存在的問題,重點研究人類視覺感知特性指導下的自然圖像摳圖算法及其他若干問題。 本文面向圖像特效制作和家庭休閑娛樂等應用領域,將神經生物學和認知心理學中關于人類感知特性的研究成果應用到摳圖算法中,嘗試從這一角度出發(fā),對自然圖像摳圖問題進行研究,使其在盡可能減少用戶交互量的同時,獲得高質量的摳圖結果。本文在如下四個方面進行了研究和探索。一、從優(yōu)化用戶輸入出發(fā),考察視覺特性對摳圖算法的影響,結合視覺注意模型,研究更為便捷的交互方式,減少用戶的交互工作量：二、研究基于自然圖像結構特征的三分圖修正方法,降低算法對用戶輸入的依賴程度；對貝葉斯摳圖算法進行改進,提高其對復雜圖像的處理能力：三、探索以全局視覺顯著性為參考的顏色樣本采集方法,提高基于顏色采樣的魯棒摳圖算法的準確性；四、研究基于結構特征的局部自然圖像摳圖算法,用以對摳圖算法結果做局部修正,提高算法最終的遮罩效果。與已有方法不同,本文算法強調通過人類感知特性挖掘圖像中前景目標的潛在信息,充分利用自然圖像的視覺特性,在降低算法對用戶交互的過度依賴的同時,提高算法的準確性。 基于上述目標,本文的主要創(chuàng)新點如下： 第一,針對包含單一前景目標的自然圖像,提出了一種基于人類視覺注意模型的半自動摳圖算法。單一前景圖像摳圖中所提的前景物體對應的正是注意模型中的感興趣物體,本文提出了一種以注意焦點作為問題先驗的摳圖方法,嘗試將注意模型合理的引入摳圖問題中。提出包含先驗指導信息的視覺注意模型,將注意焦點轉移范圍控制在感興趣目標區(qū)域內。利用注意焦點序列作為圖像的前景約束,能夠最大限度的提供前景先驗,同時避免了用戶交互的無目的性。之后采用閉型優(yōu)化算法求解遮罩,能夠得到較高的摳圖質量,實驗結果表明該算法適用于前景物體唯一且連通的自然圖像。 第二,研究利用圖像局部統(tǒng)計特性的摳圖算法。大部分摳圖算法能夠取得良好效果的前提條件是用戶輸入三分圖的精確性,然而,獲取精確的三分圖需要消耗大量的人力。針對三分圖未知區(qū)域過大,已知信息不充分這種情況,本文提出了一種三分圖修正算法,克服之前算法不能對圖像結構信息建模的局限性,也降低了摳圖算法對三分圖精確性的要求。通過統(tǒng)計信息將未知區(qū)域中的若干點預先標注為確定前景和背景,對輸入三分圖進行修正,從而為摳圖算法提供更為充分的樣本。傳統(tǒng)貝葉斯摳圖是一種基于統(tǒng)計學習的方法,用有向高斯混合模型表示待求解區(qū)域周圍的采樣信息,傳統(tǒng)貝葉斯摳圖算法對每個像素點分別求解,得到的遮罩是離散的。本文根據(jù)透明度值的統(tǒng)計特性對原最大似然函數(shù)進行了改進,實驗證明改進算法能夠消除遮罩的不連續(xù)性。本算法適用于難以人工劃分出精確三分圖的自然圖像。 第三,研究基于視覺顯著性的樣本采集方法及基于可信度的摳圖算法。提出了一種改進的魯棒摳圖算法,結合基于顏色采樣的摳圖算法和基于信任傳播的摳圖算法的優(yōu)點,同時克服以往采樣過程中沿區(qū)域邊緣均勻采樣的做法,重點采集顯著樣本點,從而最大限度的保證樣本對的完整性。而后計算樣本點的可信度,將線性假設、顏色空間距離、局部顯著性等作為評判依據(jù),選擇具有高可信度的樣本點來估計遮罩值,最后使用隨機游走算法優(yōu)化估計值。實驗表明,該采樣方法能夠比以往采樣算法得到更完整的樣本對,提高了摳圖算法的遮罩結果。 第四,研究基于結構特征的局部修正摳圖算法。提出了一種局部摳圖算法,在用戶給出先驗信息后,首先通過核嶺回歸方法得到局部圖像的顏色-透明度模型,之后的學習過程加入了根據(jù)圖像塊顏色和紋理特征得到的自適應系數(shù),來調整目標函數(shù)中數(shù)據(jù)項和光滑項的權重。因為從圖像本身的特征來看,在高對比度區(qū)域,目標函數(shù)中的數(shù)據(jù)項應該扮演更加重要的角色。本算法可用于對已有算法的摳圖結果進行局部修正。實驗結果顯示,這種自適應的局部修正算法能夠得到正確、魯棒的結果。
【關鍵詞】：圖像摳圖 視覺顯著性 前景提取
【學位授予單位】：北京交通大學
【學位級別】：博士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 致謝5-6
• 摘要6-8
• ABSTRACT8-11
• 目錄11-14
• 1 緒論14-28
• 1.1 問題描述15-21
• 1.2 研究意義21-23
• 1.3 研究現(xiàn)狀23-25
• 1.3.1 單一背景的圖像摳圖技術(藍屏摳圖)23-25
• 1.3.2 自然圖像摳圖技術25
• 1.4 本文的研究內容25-27
• 1.5 本文的章節(jié)安排27
• 1.6 小結27-28
• 2 自然圖像摳圖算法綜述28-44
• 2.1 用戶交互方式28-31
• 2.1.1 三分圖29-30
• 2.1.2 指定線條作為先驗30-31
• 2.2 常見摳圖算法31-43
• 2.2.1 基于顏色采樣的摳圖算法31-37
• 2.2.2 基于信任傳播的摳圖算法37-43
• 2.3 小結43-44
• 3 基于視覺注意機制的圖像摳圖算法44-66
• 3.1 引言44-45
• 3.2 相關工作45-53
• 3.2.1 常見摳圖算法的交互方式45-47
• 3.2.2 視覺注意模型47-51
• 3.2.3 基于視覺感知特性的摳圖算法51-53
• 3.3 基于視覺注意模型的摳圖算法53-61
• 3.3.1 視覺注意控制模塊53-60
• 3.3.2 摳圖模塊60-61
• 3.4 實驗結果與分析61-65
• 3.5 本章小結65-66
• 4 結合三分圖修正的改進貝葉斯摳圖算法66-90
• 4.1 引言66-68
• 4.2 相關工作68-72
• 4.3 結合三分圖修正的改進貝葉斯摳圖算法72-82
• 4.3.1 三分圖修正算法74-76
• 4.3.2 改進的貝葉斯摳圖算法76-82
• 4.4 實驗結果與分析82-88
• 4.4.1 定性比較82-87
• 4.4.2 定量比較87-88
• 4.5 結論88-90
• 5 基于視覺顯著性信息的魯棒摳圖算法90-108
• 5.1 引言90-91
• 5.2 相關工作91-95
• 5.2.1 最近鄰采樣法91-94
• 5.2.2 優(yōu)化采樣法94-95
• 5.3 顯著信息計算方法95-97
• 5.4 基于顯著信息采樣的魯棒摳圖算法97-103
• 5.4.1 選擇候選樣本點98-99
• 5.4.2 選擇待用樣本99-101
• 5.4.3 透明度值估計方法101-103
• 5.5 實驗結果與分析103-107
• 5.5.1 定性比較104-105
• 5.5.2 定量比較105-107
• 5.6 小結107-108
• 6 基于圖像結構特征的局部修正摳圖算法108-124
• 6.1 引言108-109
• 6.2 相關工作109-112
• 6.3 基于半監(jiān)督學習的透明度值估計方法112-120
• 6.3.1 透明度值估計方法114-115
• 6.3.2 局部學習算法115-120
• 6.4 實驗120-122
• 6.5 小結122-124
• 7 總結與展望124-126
• 7.1 全文工作總結124-125
• 7.2 進一步研究設想125-126
• 參考文獻126-134
• 作者簡歷134-138
• 學位論文數(shù)據(jù)集138

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 林生佑,石教英;基于感知顏色空間的自然圖像摳圖[J];計算機輔助設計與圖形學學報;2005年05期

2 林生佑;潘瑞芳;杜輝;石教英;;數(shù)字摳圖技術綜述[J];計算機輔助設計與圖形學學報;2007年04期

3 張鵬,王潤生;基于視點轉移和視區(qū)追蹤的圖像顯著區(qū)域檢測[J];軟件學報;2004年06期

中國博士學位論文全文數(shù)據(jù)庫 前2條

1 鐘晶晶;全局顯著信息指導下的輪廓編組計算模型研究[D];北京交通大學;2010年

2 姚桂林;數(shù)字圖像摳圖關鍵技術研究[D];哈爾濱工業(yè)大學;2013年

，

本文編號：689660