專利名稱：一種結(jié)合反射光照的貝葉斯決策前景提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于計算機圖像處理技術(shù)領(lǐng)域，特別涉及一種結(jié)合反射光照的貝葉斯決策前景提取方法。
背景技術(shù)：
前景提取技術(shù)是一種通過用戶指定圖像中少量前景和背景區(qū)域，并根據(jù)這些提示按照一定的判定規(guī)則自動、準確地分離出所有的前景物體。前景提取技術(shù)是影視制作中必不可少的關(guān)鍵技術(shù)，廣泛應用于媒體制作中。發(fā)展到今天已經(jīng)產(chǎn)生了許多不同的算法=Rotoscoping方法、Autokey方法、Knockout方法、Ruzon-tomasi方法、Hillman方法、貝葉期1方法、泊松方法、Grabcut方法、Lazy snapping和基于感知顏色空間的摳圖方法等等。在自然圖像中進行前景提取可以分為區(qū)域劃分、顏色估計與a估計3個步驟，首先進行trimap劃分，然后求未知區(qū)域中各點的前景色成分和a值。基于貝葉斯框架，Chuang提出了利用統(tǒng)計學原理的貝葉斯摳圖方法，該方法與以往基于圖論知識的Grabcut方法或Lazy snapping不同，也不是利用光柵掃描順序來逐個處理每個像素，而是利用貝葉斯框架，使用統(tǒng)計學原理構(gòu)造線性方程組求取最合適的解，該方法的處理順序是像剝洋蔥似的由外向內(nèi)逐圈處理，實際上就是要在在RGB空間中求得未知區(qū)域中任意一點C到連接前景區(qū)域點/^'和背景區(qū)域點A的線段M的歐氏距離<， F點到F點的馬氏距離d2, B點到B點的馬氏距離d3的平方和的最小值，即求min (xlf+AO。但該方法只定義了對數(shù)概率L{C\F，B, a),L (F)和Z (Z )，沒有定義Z (α )，當前景和背景的顏色比較接近時，這種假設就會出現(xiàn)問題。Tan對貝葉斯摳圖進行了改進，提出了一種快速摳圖方法:假設線段M經(jīng)過C點，這樣4=0，把貝葉斯摳圖框架簡化為求min (J22+d32\并提出了一個快速求解最小值的近似方法。這種方法盡管速度較快，但效果并不理想。

發(fā)明內(nèi)容
基于貝葉斯摳圖方法的統(tǒng)計學原理，針對上述前景提取方法的不足，本發(fā)明提出一種結(jié)合反射光照的貝葉斯決策前景提取方法，以避免一般摳圖算法計算量大、處理速度慢的缺點，并降低對用戶交互的要求，得到準確完整的前景提取結(jié)果。本發(fā)明結(jié)合反射光照的貝葉斯決策前景提取方法是一種全新的交互式前景提取技術(shù)。該方法包括以下步驟:
S1、灰度匹配變換
輸入原始圖像，由用戶指定位于前景物體的點光源，用BRDF (雙向反射分布函數(shù))計算點光源在前背景物體上的光照影響，引入冪次變換，通過控制變換函數(shù)的參數(shù)，擴展高灰度范圍，壓縮低灰度范圍，突出圖像前背景邊緣信息；
同時，根據(jù)點光源在前背景物體上產(chǎn)生 的不同光照影響，計算得出每個像素對應的光照函數(shù)；
52、濾波去噪 對步驟SI匹配變換后的圖像使用高通濾波器進行濾波去噪處理，去除圖像噪聲影響，避免后續(xù)分水嶺分割時產(chǎn)生過分割現(xiàn)象；
53、圖像分割
經(jīng)過步驟S2去噪處理后的圖像，邊緣信息明顯，尤其是前背景顏色較為相近的圖像，突出了前景物體及邊界毛刺部分細節(jié)；在此基礎(chǔ)上運用分水嶺算法分割圖像，把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域看作集水盆，而集水盆的邊界則形成分水嶺；
分水嶺算法可看作一個模擬浸入的過程，計算過程分為排序和淹沒兩個步驟的迭代標注，在每一個局部極小值表面，刺穿一個小孔，然后把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構(gòu)筑大壩，形成分水嶺，即圖像的邊緣；完成全部圖像的迭代標注之后，就得到圖像完整連續(xù)的邊緣分割線，而且經(jīng)過濾波平滑處理的圖像不會產(chǎn)生過分割現(xiàn)象；
54、計算摳圖參數(shù)沒和a)
圖像分割成背景、前景和未知區(qū)域三個區(qū)域后，定義一個貝葉斯框架來公式化摳圖參數(shù)，求解一個最大后驗問題，計算最接近C的八A和a，其中，C是已知的圖像上一點的顏色，F(xiàn)、B、a分別是背景色、前景色和不透明度，A和i 的分布用高斯分布來模擬，a的分布通過滑動的窗口將已經(jīng)計算出來的未知區(qū)域與指定區(qū)域作為樣本數(shù)據(jù)，用一個多層感知器擬合其分布曲線；
55、a值重建及前景提取
根據(jù)步驟S4得到的摳圖參數(shù)八A和〃，重建出圖像的a值圖，引入一個馬爾可夫隨機場，融合步驟SI得到的光照函數(shù)，通過最小化構(gòu)造出的能量函數(shù)完成前景圖層的提取。其中，步驟S2最好選用通帶與阻帶之間有一平滑過渡帶的ButterWorth高通濾波器，銳化圖像邊緣，突出邊界信息，而且經(jīng)處理的圖像不會有振鈴現(xiàn)象產(chǎn)生。步驟SI中可采用式g{m,}i) = cf(m,n)r +b表示的冪次函數(shù)進行灰度匹配變換，式中，f為原圖灰度，g為變換后灰度，c、b、Y為控制參數(shù)。用于上述結(jié)合反射光照的貝葉斯決策前景提取方法的一種灰度匹配變換方法，包括以下步驟:輸入原始圖像，由用戶指定位于前景物體的點光源，在灰度匹配變換中用BRDF計算點光源在前背景物體上的光照影響，引入冪次函數(shù)+i ,式中f
為原圖灰度，g為變換后灰度，c、b、Y為控制參數(shù),通過控制變換函數(shù)的參數(shù),擴展高灰度范圍，壓縮低灰度范圍，突出圖像前背景邊緣信息。本發(fā)明方法在已有技術(shù)成果的基礎(chǔ)上，利用自然圖像中前背景物體在點光源照射下變化不同的特點，對圖像做灰度匹配變換模擬點光源照射，增強圖像邊緣信息，同時根據(jù)前后變換對比，得到跟光照有關(guān)的能量函數(shù)；濾波去噪后使用分水嶺方法進行圖像分割，得到精確完整的邊緣信息，同時又避免過分割現(xiàn)象；用貝葉斯摳圖的過程中使用多層感知器擬合a值函數(shù)曲線；整合之前得到的光照函數(shù)和顏色分布函數(shù)，完成前景物體的提取。本方法中，用戶只須指定點光源位置而不須給出前背景邊緣詳細信息就能完成前景提取，降低了對用戶交互的要求，同時使用算法的時間復雜度都為O(AZ)級數(shù)，改變了一般摳圖算法計算量大、處理速度慢的缺點。本方法在分割圖像之前使用冪次函數(shù)進行灰度匹配變換，增加前景亮度，減小背景亮度，將變換前后的圖像對比信息生成一個跟光照有關(guān)的能量函數(shù)，結(jié)合進后續(xù)分割過程；同時，使圖像邊緣信息更加明顯，對前背景顏色比較相近圖像也能達到理想的分割效果O采用分水嶺算法進行圖像分割，可自行判斷分割區(qū)域數(shù)，分割邊緣連續(xù)，分割速度快，可以得到封閉的輪廓線，能夠精確定位圖像邊緣；并對初始圖像先進行濾波去噪，使圖像邊緣銳化，突出邊界信息，同時，避免因為噪聲的影響產(chǎn)生過分割現(xiàn)象。采用多層感知器訓練學習，擬合a值函數(shù)曲線，解決a值估計問題，完成摳圖過程中的a值重建；同時引入馬爾可夫隨機場，結(jié)合之前步驟中得到的光照函數(shù)，增加前景提取的準確度，最小化構(gòu)造的能量函數(shù)，完成前景圖層的提取。


圖1為本發(fā)明的主流程圖。
具體實施例方式下面將結(jié)合附圖對本發(fā)明一優(yōu)選實施方式作進一步的詳細說明。

S1.灰度匹配變換
a)輸入圖像，由用戶指定前景圖層上一個或幾個強度為Z的點光源，在圖像表面一點產(chǎn)
所產(chǎn)生的輝度cosAp是在給定的光照和視角下的表面BRDF (雙向反射分布
函數(shù))，r是與光照點的距離，β是光照點和P點的夾角。前景圖層和光照點相距較遠，所以前景物體在曝光下會有較大的變化，而背景物體的變化較小。b)根據(jù)用戶輸入后計算的輝度變化，置匹配變換后的直方圖，為規(guī)定的直方圖指定對應灰度級上的概率密度。c)對源圖像的直方圖數(shù)組進行灰度級上的概率密度統(tǒng)計，并對其概率密度數(shù)組進行灰度均衡變換。d)對規(guī)定的直方圖概率密度數(shù)組進行灰度均衡變換。e)確定映射對應關(guān)系，引入冪次變換=+b , f為原圖灰度，g為
變換后灰度，C、b、Y為控制參數(shù)，對原圖上灰度均衡變換后的直方圖概率密度數(shù)組一一循環(huán)，建立灰度映射表，通過控制參數(shù)的調(diào)節(jié)，擴展高灰度范圍，壓縮低灰度范圍，突出圖像前背景邊緣信息。該步驟中也同時生成光照函數(shù)，具體過程在下述步驟S5中介紹。S2.濾波去噪
使用高通濾波器(ButterWorth高通濾波器)進行濾波去噪處理，避免后續(xù)分水嶺分割時產(chǎn)生過分割現(xiàn)象，銳化圖像邊緣，突出邊界信息。截止頻率為^的階ButterWorth高通濾波器的傳遞函數(shù):
權(quán)利要求
1.一種結(jié)合反射光照的貝葉斯決策前景提取方法，其特征是包括以下步驟: 51、灰度匹配變換，輸入原始圖像，由用戶指定位于前景物體的點光源，用BRDF(雙向反射分布函數(shù))計算點光源在前背景物體上的光照影響，引入冪次變換，通過控制變換函數(shù)的參數(shù)，突出圖像前背景邊緣信息； 同時，根據(jù)點光源在前背景物體上產(chǎn)生的不同光照影響，計算得出每個像素對應的光照函數(shù)； 52、對步驟SI匹配變換后的圖像使用高通濾波器進行濾波去噪處理； 53、經(jīng)過步驟S2去噪處理后的圖像運用傳統(tǒng)分水嶺算法分割圖像，分水嶺算法包括排序和淹沒兩個步驟的迭代標注，完成全部圖像的迭代標注之后，得到圖像完整連續(xù)的邊緣分割線；及 54、計算摳圖參數(shù)，圖像分割成背景、前景和未知區(qū)域三個區(qū)域后，定義一個貝葉斯框架來公式化摳圖參數(shù)，求解一個最大后驗問題，計算最接近C的八i 和a ;其中，C是已知的圖像上一點的顏色，a分別是背景色、前景色和不透明度，A和i 的分布用高斯分布來模擬，〃的分布通過滑動的窗口將已經(jīng)計算出來的未知區(qū)域與指定區(qū)域作為樣本數(shù)據(jù)，用一個多層感知器擬合其分布曲線； 55、根據(jù)步驟S4得到的摳圖參數(shù)八i 和重建出圖像的a值圖，引入一個馬爾可夫隨機場，融合步驟SI得到的光照函數(shù)，通過最小化構(gòu)造出的能量函數(shù)完成前景圖層的提取。
2.如權(quán)利要求1所述的方法，其特征是:步驟S2選用通帶與阻帶之間有一平滑過渡帶的ButterWorth高通濾波器。
3.如權(quán)利要求1或2所述的方法，其特征是:步驟SI中采用冪次函數(shù)g(m,n) = cf(m,ny+b進行灰度匹配變換,式中，f為原圖灰度，g為變換后灰度，c、b、Y為控制參數(shù)。
4.一種灰度匹配變換方法，用于權(quán)利要求1所述結(jié)合反射光照的貝葉斯決策前景提取方法，其特征是包括以下步驟: 輸入原始圖像，由用戶指定位于前景物體的點光源，在灰度匹配變換中用BRDF計算點光源在前背景物體上的光照影響，弓I入冪次函數(shù)girnji) =+i ,式中f為原圖灰度， g為變換后灰度，c、b、Y為控制參數(shù),通過控制變換函數(shù)的參數(shù),擴展高灰度范圍,壓縮低灰度范圍，突出圖像前背景邊緣信息。
全文摘要
一種結(jié)合反射光照的貝葉斯決策前景提取方法，包括步驟由用戶指定位于前景物體的點光源，對圖像做灰度匹配變換模擬點光源照射，增強圖像邊緣信息，并根據(jù)前后變換對比得到光照函數(shù)；濾波去噪，采用分水嶺算法分割圖像；采用貝葉斯公式計算摳圖參數(shù)，并用多層感知器擬合α值函數(shù)曲線；整合所述光照函數(shù)和顏色分布函數(shù)，完成前景物體的提取。用戶只須指定點光源位置而不須給出前背景邊緣信息，對用戶交互的要求降低，同時使用算法的時間復雜度都為級數(shù)，避免了一般摳圖算法計算量大、處理速度慢的缺點；由于引入光照函數(shù)和用感知器擬合α值，使本方法對于復雜邊緣的前景物體，特別是邊緣與背景顏色較為相近的前景物體也能得到準確完整的提取結(jié)果。
文檔編號G06T5/00GK103164855SQ20131005970
公開日2013年6月19日 申請日期2013年2月26日 優(yōu)先權(quán)日2013年2月26日
發(fā)明者王好謙, 鄧博雯, 邵航, 戴瓊海 申請人:清華大學深圳研究生院