《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:
Ii=αiFi+(1−αi)Bi(1) I i = α i F i + ( 1 − α i ) B i ( 1 )
公式(1)中 Ii I i 表示图像 I I 的像素 i i 上的颜色(R,G,B)矢量, 表示前景颜色矢量, Bi B i 表示背景颜色矢量, αi α i 表示该点的透明度取值范围是 [0,1] [ 0 , 1 ] 。 Ii I i 是前景 Fi F i 和背景 Bi B i 的线性组合,该方程被称为:compositing equation。
公式(1)的透明度 α α 是一个标量,[1]扩展了它,让它成为了一个矢量:
αi→={
α1i,α2i,⋯,αKi},and has constraint∑k=1Kαki=1Ii=∑k=1KαkiFki(2) α i → = { α i 1 , α i 2 , ⋯ , α i K } , and has constraint ∑ k = 1 K α i k = 1 I i = ∑ k = 1 K α i k F i k ( 2 )
公式(2)中像素 i i 的颜色矢量是多层颜色矢量 的线性组合。以下是一个例子:
图1 (d)中展示了8个matting层对应的 αk,其中(k=1,⋯,8) α k , 其 中 ( k = 1 , ⋯ , 8 ) 。(c)中Alpha matte是由(d)的 α3<