改进的Easy matting抠像方法.docVIP

符号说明： ：整幅用户给定的图片； ：位置像素的颜色值； ：图片高度； ：图片宽度； ：前景像素位置集合； ：背景像素位置集合； ：不确定像素（即未作标记的像素）位置集合； ：前景样本； ：背景样本； ：前景蒙版矩阵； ：背景蒙版矩阵； 用户给定前景线条和背景线条，如图一所示，红色线条表示前景线条，绿色线条表示背景线条。将红色线条覆盖的像素的位置（行优先位置）记录到中，对应的像素作为前景样本，绿色线条覆盖的像素的位置记录到中，对应的像素作为背景样本，同时初始化两个的蒙版矩阵和，；  （图一） 为前景和背景样本建立混合高斯模型、； 对于任意的未知像素点，其近似前景和背景分别记作和，，， ，， 表示中第个单高斯模型（）的平均值，表示中第个单高斯模型的权值，表示中在第个单高斯模型中出现的概率；、和的意义类似； 定义数据能量项：定义作为像素点的数据能量； 定义光滑能量项：先定义像素点的邻域为，定义像素点的光滑能量项为（这里当小于一个给定的数时（如：0.000001），可以设置其为0.000001）； 定义能量函数：（这里有个问题，这个应当怎样设置才合适呢？先试探性的设置）； 最小化能量函数得到未知像素的，，， 表示未知像素的个数； 求解最小能量函数问题： 可以将写成矩阵形式：。其中，，，，，。其中分别表示第i个未知像素的前景颜色中的t分量值、第i个未知像素的背景颜色的t分量值、第i个未知像素颜色的t分量值。 将写成矩阵形式：。其中，，，，表示与第i个未知像素点邻域中的元素的个数，，表示未知像素点列中第i个未知像素点在图像中的位置，对于、，分下面四种情况来讨论其元素值： ： ： （其中表示图像中位置处的像素在未知像素点列中的位置） ，求解使得： 对求导并令为零得，。 由上面所说的矩阵以及向量的结构，易得，其中，。 对于和，其元素： （其中表示像素点i的8邻域集合）。 对于，令，，则原式简化为,，。由于是正定对称且稀疏的，因此可以用共轭梯度法进行快速求解。