【贝叶斯】A Bayesian Approach to Digital Matting

标题：一个用于数字抠图的贝叶斯方法

1. 摘要

这篇论文推荐用一种新的贝叶斯框架来解决图片的消光问题，即通过估计每个前景元素的不透明度来将图片中的前景从背景中分离。我们的解决方案通过空间变化高斯模型来同时模拟前景和背景的颜色贡献，并且假设是前景色和背景色的分数混合产生最终的图像。再用最大似然概率作为标准来同时估计最合适的不透明度，前景，和背景。我们的算法除了提供了消光问题的方法准则，还能有效的解决错综复杂的边界对象，比如发丝，毛。并且我们提供了对解决这一难题的现有技术的改进方案.

2. 优化目标

$$\begin{array}{rl}\arg \underset{F,B,\alpha }{\max }P(F,B,\alpha |C)& \\ & =\arg \underset{F,B,\alpha }{\max }P(C|F,B,\alpha )P(F)P(B)P(\alpha )/P(C)\\ & =\arg \underset{F,B,\alpha }{\max }L(C|F,B,\alpha )+L(F)+L(B)+L(\alpha )\end{array}\text{\hspace{1em}(1)}$$

$C$: the pixel’s composite colors

$F$: the pixel’s foreground colors

$B$: the pixel’s background colors

$\alpha$: the pixel’s opacity component used to linearly blend between foreground and background

$$C=\alpha F+(1-\alpha )B\text{\hspace{1em}(2)}$$

2.1 $L(C|F,B,\alpha )$

$$H=L(C|F,B,\alpha )=-\Vert C-\alpha F-(1-\alpha )B{\Vert }^2/{\sigma }_C^2\text{\hspace{1em}(3)}$$

表示对混合后颜色的估计误差符合均值$\overline{C}=\alpha F+(1-\alpha )B$方差为${\sigma }_c$

2.2 $L(F)$

$$L(F)=-\frac{(F-\overline{F}{)}^T{\sum }_F^{-1}(F-\overline{F}))}{2}\text{\hspace{1em}(4)}$$

2.3 $L(B)$

$$L(B)=-\frac{(B-\overline{B}{)}^T{\sum }_B^{-1}(B-\overline{B}))}{2}\text{\hspace{1em}(5)}$$

3. 求解

3.1 求解$F,B$

假设$\alpha$为常量， 分别求$H$对$F,B$的偏导数，令偏导数等于0

3.2 求解$\alpha$

将$F,B$视为常数

$$\alpha =\frac{(C-B)\cdot (F-B)}{\Vert F-B{\Vert }^2}\text{\hspace{1em}(6)}$$

4. 总结

• 本文处理的问题式前后景分离，也就是抠图（matting）。
• 对于优化目标的公式是能够看懂的，但是对于(4)，(5)式的推导就理解不到了。