Spectral Matting 方法的理解

最新推荐文章于 2024-08-15 10:10:12 发布

田神

最新推荐文章于 2024-08-15 10:10:12 发布

阅读量3.1k

点赞数 4

分类专栏：机器视觉

本文链接：https://blog.csdn.net/StreamRock/article/details/82384962

版权

本文深入探讨Anat Levin的2008年论文《Spectral Matting》，该方法结合谱分析和图像亲和度矩阵，用于实现精细的图像分割，特别是对于复杂图像中的头发级像素标注。通过定义和分析Laplacian矩阵，找到最优的α矢量，以保持模糊层边界并确保解决方案的稀疏性。Spectral Matting为图像Matting提供了一种有效工具，适用于深度学习和传统方法的结合。

摘要由CSDN通过智能技术生成

《Spectral Matting》[1]是来自Anat Levin的2008年的论文，同年他的另一篇论文是《A Closed-Form Solution to Natural Image Matting》[2]（我在上一篇博客中已讨论）。2018年的《Semantic Soft Segmentation》[3]也来自CSAIL.MIT，可谓一脉相承，[3]中采用[1]的 Spectral Matting 方法，将传统方法与深度学习方法有机结合在一起，实现了复杂图像上精确到头发级的像素软标注。本文着重讨论[1]的方法，后续文章也会讨论[3]。
Matting算法的典型假设是：

I i = α i F i + (1 - α i) B i (1)

$\mathbf I_i = \alpha_i \mathbf F_i +(1-\alpha_i)\mathbf B_i \qquad(1)$
公式(1)中

Ii I i $\mathbf I_i$ 表示图像

I I $\mathbf I$ 的像素

i i $i$ 上的颜色（R,G,B）矢量，

F_{i}

$\mathbf F_i$ 表示前景颜色矢量，

Bi B i $\mathbf B_i$ 表示背景颜色矢量，

αi α i $\alpha_i$ 表示该点的透明度取值范围是

[0,1] [ 0 , 1 ] $[0,1]$ 。

Ii I i $\mathbf I_i$ 是前景

Fi F i $\mathbf F_i$ 和背景

Bi B i $\mathbf B_i$ 的线性组合，该方程被称为：compositing equation。
公式（1）的透明度

α α $\alpha$ 是一个标量，[1]扩展了它，让它成为了一个矢量：

α i \to = {α 1 i, α 2 i, \dots, α K i}, and has constraint \sum k = 1 K α k i = 1 I i = \sum k = 1 K α k i F k i (2)

$\vec {\alpha_i}=\{\alpha_i^1, \alpha_i^2,\cdots,\alpha_i^K\}, \quad \text{and has constraint}\sum_{k=1}^K \alpha_i^k = 1 \\ \mathbf I_i=\sum_{k=1}^K \alpha_i^k \mathbf F_i^k \qquad(2)$
公式（2）中像素

i i $i$ 的颜色矢量是多层颜色矢量