交互式图像分割与抠像.pdf

交互式图像分割与抠像 章国锋 浙江大学CADCG实验室 图像分割与抠像 图像分割指的是将 数字图像中感兴趣 的区域分割出来。 抠像除了要得到前 景轮廓外还要进一 步估计半透明通道， 以实现真实的合成。 课程内容 一.常用模型 1.高斯混合模型； 2.马尔科夫随机场； 二.交互式图像分割算法 3.GrabCut； 4.Lazy Snapping； 三.抠像算法 5.贝叶斯抠像； 6.Closed Form Matting； 一.高斯混合模型 高斯模型 高斯模型就是用高斯概率密度函数（正 态分布曲线）精确地量化事物，将一个 事物分解为若干的基于高斯概率密度函 数（正态分布曲线）形成的模型。 高斯模型有单高斯模型（SGM ）和混合 高斯模型（GMM）两种。 单高斯模型(SGM) 多维变量x服从高斯分布时，它的概率密度函数 PDF为： x 是维度为d 的列向量; u是模型期望; Σ是模型方差。 在实际应用中，u通常用样本均值来代替， Σ通常用样本方差来代替。 很容易判断一个样本x 是否属于类别C 。因 为每个类别都有自己的u和Σ，把x代入（1） 式，当概率大于一定阈值时我们就认为x属 于C类。 从几何上讲，单高斯分布模型在二维 空间应该近似于椭圆，在三维空间上 近似于椭球。 二维单高斯模型分布情况 高斯混合模型(GMM) 在很多分类问题中，属于同一类别的样本点并不 满足“椭圆”分布的特性。这就引入了高斯混合 模型。 对于(b)图所示的情况，很明显，单高斯模型 是无法解决的。为了解决这个问题，人们提出了 高斯混合模型（GMM），顾名思义，就是数据可 以看作是从数个高斯分布中生成出来的。 GMM （Gaussian Mixture Model ），高斯 混合模型（或者混合高斯模型），也可以简写为 MOG （Mixture of Gaussian）。 GMM认为数据是从几个GSM中生成 出来的，即 其中的任意一个高斯分布N(x;u ,Σ) 叫作这个模型的一个component； k k K 需要事先确定好，代表component个数； 是权值系数. 每个 GMM 由K 个 Gaussian 分布组成，每 个 Gaussian 称为一个“Component”，这 些 Component 线性加成在一起就组成了 GMM 的概率密度函数。 当K足够大时，GMM可以用来逼近任意连续 的概率密度分布。 -将K个高斯模型混合在一起，每个点出 现的概率是几个高斯混合的结果。 GMM是一种聚类算法，每个component就是一 个聚类中心。即在只有样本点，不知道样本分类 （含有隐含变量）的情况下，计算出模型参数 （ ，u和Σ）这显然可以用EM算法来求解。 再用训练好的模型去检查样本所属的分类。 方法是： Step1:随机选择K个component中的一 个（被选中的概率是 ）； Step2:把样本代入刚选好的component， 判断是否属于这个类别，如果不属于则回 到step1。 样本分类已知情况下的GMM 当每个样本所属分类已知时，GMM的参数非常 好确定，直接利用Maximum Likelihood。设 样本容量为N，属于K个分类的样本数量分别是 N ,N ,...,N 属于第k个分类的样本集合是L(k)。 1 2 k， 样本分类未知情况下的GMM 有N个数据点，服从某种分布Pr(x;θ)，我们 想找到一组参数θ，使得生成这些数据点的概 率最大，这个概率就是