matlab超出矩阵索引维度_Closed Form Matting 算法抠图以及优化（2）——拉普拉斯矩阵...

本节继续上一节的讨论

sudit：Closed Form Matting 算法抠图以及优化（1）——目标函数​zhuanlan.zhihu.com

构建拉普拉斯矩阵

首先，我们复习下矩阵乘法的分块形式，假设矩阵

和向量

按如下分块

那么

如果我们假设

，即

是一个带状矩阵，那么就有

这让我们看到了和前面推导的目标函数形式上的相似之处

而且我们知道，

其实就是向量

的一部分，这和

与

的关系相当，唯一的区别是

元素的位置在

上不是连续的，但这并不重要。于是，通过这种类比，我们可以推断，存在一个矩阵

，使得

由于刚才我们假设

是带状矩阵，那么有理由相信

肯定也是带状矩阵。因为

在

上不是连续的，对于单个

来说，其乘法关系在全量的矩阵表示形式下如图所示，图中黑色的部分代表对应的

和

。

现在，我们面临着和矩阵乘法分块相反的问题，那就是把已经分块的矩阵重新拼凑成原矩阵，即组装

。这与有限元中通过单元刚度矩阵组装总体刚度矩阵的方法十分相似，说不定它们之间还存在着更深刻的联系。

在讨论如何通过

来组装

之前，我们先回顾

这两个量的物理意义，

是由每个像素的透明度组成的向量，由于图片是二维的，所以我们按横向扫描所有像素，它的具体形式为

而

是第

个窗口的所有像素透明度组成的向量，同样按横向扫描

其中的下标

等是

中的元素索引。这里需要注意一下，前面在定义

的时候，最后还有一个元素为 0，这里我们去掉了，因为可以证明，如果向量

的某些位等于 0，那么只需要去掉这些位，以及

中相应的的行和列，其结果是等价的

其中

是修改之后的向量和矩阵。

现在我们举个简单的例子，假设

那么按照向量矩阵乘法的要求，

在

中的位置分布如下

也就是说，

的元素在

中的位置与

元素的下标有关，其对应关系为

其中

为

中第

个元素的下标。由于不同的

可能在

上的位置重叠，我们只需要将它们相加即可，因为矩阵乘法只是简单的线性操作。

使用上述方法构造出

之后，我们便得到了关于目标函数的新的表示形式

其中，

又被称为拉普拉斯矩阵。从而，优化的目标为

根据前面我们对

的推导可以证明，

的每一个元素都是非负的，并且按照定义

的每一个元素也是非负的，这样一来，就只需要令

的每一个元素都为 0，从而使

达到极小值 0，但这显然毫无意义。

这里的问题就出在我们没有对

施加约束条件，因为，我们知道肯定有一部分

是等于 1 的（即我们要提取的前景），所以大部分抠图算法都要求使用者提供约束条件，也就是说，给出部分绝对正确的前景和背景。Trimap 图便是一种这样的约束形式。

考虑上面第一张图，如果我们要抠取小狗的图像，那么其对应的 trimap 图如第二张图所示。其实就是把原图分割成三个部分，分别是100%背景，100%前景以及不那么确定的部分，这个不确定的部分就是我们要求解的，其余的都算约束。于是加上约束的优化目标就变成了

其中

是背景索引集合，

是前景索引集合。本节暂时到此未知，总结一下，我们首先通过对分块矩阵的乘法原理进行分析，假设出目标函数也具有类似

这样的乘法结构，然后发现了

是

的一部分元素，于是利用前者组装出后者，将目标函数

转换成了矩阵乘法形式，最后加入约束条件，得出了带约束的优化目标。