主权项 |
一种基于纹理分布弱假设和正则化策略的自然图像抠图方法,其特点在于以下步骤:步骤1:将图像分为三个部分,已知前景区域,已知背景区域和未知待求解区域;步骤2:在未知待求解区域取一个点p,假设坐标是(x,y);在p周围半径r内分别采集前景样本和背景样本;步骤3:对采集到的样本作分簇处理,得到分簇的结果前景的加权均值<img file="FDA0000837496980000012.GIF" wi="49" he="67" />和背景的加权均值<img file="FDA0000837496980000013.GIF" wi="65" he="67" />前景的协方差矩阵Σ<sub>F</sub>和背景的协方差矩阵Σ<sub>B</sub>;步骤4:通过贝叶斯框架建立颜色、不透明度的数学关系模型P(F,B,α|C),然后使用最大后验概率Maximum A Posteriori——MAP对模型进行优化求解;通过贝叶斯公式将模型转化:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><munder><mrow><mi>arg</mi><mi>max</mi><mi>P</mi><mrow><mo>(</mo><mi>F</mi><mo>,</mo><mi>B</mi><mo>,</mo><mi>α</mi><mo>|</mo><mi>C</mi><mo>)</mo></mrow></mrow><mrow><mi>F</mi><mo>,</mo><mi>B</mi><mo>,</mo><mi>α</mi></mrow></munder><mo>=</mo><munder><mrow><mi>arg</mi><mi>max</mi><mi>P</mi><mrow><mo>(</mo><mi>C</mi><mo>|</mo><mi>F</mi><mo>,</mo><mi>B</mi><mo>,</mo><mi>α</mi><mo>)</mo></mrow></mrow><mrow><mi>F</mi><mo>,</mo><mi>B</mi><mo>,</mo><mi>α</mi></mrow></munder><mi>P</mi><mrow><mo>(</mo><mi>F</mi><mo>)</mo></mrow><mi>P</mi><mrow><mo>(</mo><mi>B</mi><mo>)</mo></mrow><mi>P</mi><mrow><mo>(</mo><mi>α</mi><mo>)</mo></mrow><mo>/</mo><mi>P</mi><mrow><mo>(</mo><mi>C</mi><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000837496980000011.GIF" wi="1541" he="117" /></maths>对转化的模型进行对数操作:arg max L(F,B,α|C)=L(C|F,B,α)+L(F)+L(B)其中,L(α)是常数,对L(C),L(F),L(B)三个对数似然函数的具体形式使用高斯分布函数描述:<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mi>L</mi><mrow><mo>(</mo><mi>C</mi><mo>|</mo><mi>F</mi><mo>,</mo><mi>B</mi><mo>,</mo><mi>α</mi><mo>)</mo></mrow><mo>=</mo><mo>-</mo><mo>|</mo><mo>|</mo><mi>C</mi><mo>-</mo><mi>α</mi><mi>F</mi><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>α</mi><mo>)</mo></mrow><mi>B</mi><mo>|</mo><msup><mo>|</mo><mn>2</mn></msup><mo>/</mo><msubsup><mi>σ</mi><mi>c</mi><mn>2</mn></msubsup></mrow>]]></math><img file="FDA0000837496980000021.GIF" wi="854" he="92" /></maths><maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><mi>L</mi><mrow><mo>(</mo><mi>F</mi><mo>)</mo></mrow><mo>=</mo><mo>-</mo><msup><mrow><mo>(</mo><mi>F</mi><mo>-</mo><mover><mi>F</mi><mo>‾</mo></mover><mo>)</mo></mrow><mi>T</mi></msup><msubsup><mi>Σ</mi><mi>F</mi><mrow><mo>-</mo><mn>1</mn></mrow></msubsup><mrow><mo>(</mo><mi>F</mi><mo>-</mo><mover><mi>F</mi><mo>‾</mo></mover><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000837496980000022.GIF" wi="611" he="79" /></maths><maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><mi>L</mi><mrow><mo>(</mo><mi>B</mi><mo>)</mo></mrow><mo>=</mo><mo>-</mo><msup><mrow><mo>(</mo><mi>B</mi><mo>-</mo><mover><mi>B</mi><mo>‾</mo></mover><mo>)</mo></mrow><mi>T</mi></msup><msubsup><mi>Σ</mi><mi>B</mi><mrow><mo>-</mo><mn>1</mn></mrow></msubsup><mrow><mo>(</mo><mi>B</mi><mo>-</mo><mover><mi>B</mi><mo>‾</mo></mover><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000837496980000023.GIF" wi="596" he="80" /></maths>P(F,B,α|C)为在C已知的条件下,F,B,α是正确结果的概率;P(C|F,B,α)为在F,B,α已知的条件下,所求的C是正确结果的概率;P(F)为所求F是正确结果的概率;P(B)为所求B是正确结果的概率;P(α)为所求α是正确结果的概率;P(C)为C是正确结果的概率,此处C是常数;<img file="FDA0000837496980000024.GIF" wi="484" he="115" />为使概率P(C|F,B,α)最大化的表达式;arg max L(F,B,α|C)为<img file="FDA0000837496980000025.GIF" wi="483" he="114" />的对数转换;将<img file="FDA0000837496980000026.GIF" wi="499" he="117" />从乘法变成加法;L(C|F,B,α)为P(C|F,B,α)转换之后的对数似然函数,用高斯分布函数描述;L(F)为P(F)转换之后的对数似然函数,用高斯分布函数描述;L(B)为P(B)转换之后的对数似然函数,用高斯分布函数描述;L(α)为P(α)转换之后的对数似然函数,用高斯分布函数描述;L是似然函数,F是前景色,B是背景色,C是当前像素颜色,α是待求解的像素不透明度,在此假设α是常数;θ是调节参数,N是邻域内像素点数量;n<sub>i</sub>是直方图第i个灰度级的数量;v<sub>i</sub>是直方图第i个灰度级;<img file="FDA0000837496980000031.GIF" wi="80" he="93" />是原始固定方差;m是直方图灰度级总数;步骤5.基于自适应方差的高斯分布假设与巴氏距离,提出了测量图像纹理复杂程度的一个测度计算公式<img file="FDA0000837496980000032.GIF" wi="367" he="124" />基于上述测度,构建一个方差修正系数<img file="FDA0000837496980000033.GIF" wi="324" he="119" />对原公式中的方差进行修正,修正之后的考虑纹理分布复杂程度的方差计算式为<img file="FDA0000837496980000034.GIF" wi="298" he="85" />构建的基于纹理分布弱假设的似然函数的L(C)表达式为<maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><mi>L</mi><mrow><mo>(</mo><mi>C</mi><mo>|</mo><mi>F</mi><mo>,</mo><mi>B</mi><mo>,</mo><mi>α</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mrow><mo>-</mo><mo>|</mo><mo>|</mo><mi>C</mi><mo>-</mo><mi>α</mi><mi>F</mi><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>α</mi><mo>)</mo></mrow><mi>B</mi><mo>|</mo><msup><mo>|</mo><mn>2</mn></msup></mrow><mrow><mi>θ</mi><mo>×</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><msqrt><mrow><msub><mi>n</mi><mi>i</mi></msub><mo>×</mo><msub><mi>v</mi><mi>i</mi></msub></mrow></msqrt><mo>/</mo><mrow><mo>(</mo><munderover><mo>Σ</mo><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>n</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn><mo>)</mo></mrow><mo>×</mo><msubsup><mi>σ</mi><mi>c</mi><mn>2</mn></msubsup></mrow></mfrac></mrow>]]></math><img file="FDA0000837496980000035.GIF" wi="959" he="208" /></maths>步骤6.给原模型增加不等式约束,在颜色估计优化模型计算方法中,增加了L1正则化的约束项与L2正则化的惩罚项,得到基于正则化策略的具有纠偏性的颜色估计优化模型与计算公式:<maths num="0006" id="cmaths0006"><math><![CDATA[<mfenced open = "" close = ""><mtable><mtr><mtd><mrow><mi>arg</mi><mi>max</mi><mi>L</mi><mrow><mo>(</mo><mo>·</mo><mo>)</mo></mrow><mo>=</mo><mi>L</mi><mrow><mo>(</mo><mrow><mi>C</mi><mo>|</mo><mi>F</mi><mo>,</mo><mi>B</mi><mo>,</mo><mi>α</mi></mrow><mo>)</mo></mrow><mo>+</mo><mi>L</mi><mrow><mo>(</mo><mi>F</mi><mo>)</mo></mrow><mo>+</mo><mi>L</mi><mrow><mo>(</mo><mi>B</mi><mo>)</mo></mrow><mo>+</mo><mi>L</mi><mrow><mo>(</mo><mi>α</mi><mo>)</mo></mrow></mrow></mtd></mtr><mtr><mtd><mrow><mo>+</mo><msub><mi>λ</mi><mrow><mi>f</mi><mn>1</mn></mrow></msub><mo>|</mo><mo>|</mo><mi>F</mi><mo>-</mo><mn>1</mn><mo>|</mo><mo>|</mo><mo>+</mo><msub><mi>λ</mi><mrow><mi>b</mi><mn>1</mn></mrow></msub><mo>|</mo><mo>|</mo><mi>B</mi><mo>-</mo><mn>1</mn><mo>|</mo><mo>|</mo><mo>+</mo><msub><mi>λ</mi><mrow><mi>α</mi><mn>1</mn></mrow></msub><mo>|</mo><mo>|</mo><mi>α</mi><mo>-</mo><mn>1</mn><mo>|</mo><mo>|</mo></mrow></mtd></mtr><mtr><mtd><mrow><mo>+</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><msub><mi>λ</mi><mrow><mi>f</mi><mn>2</mn></mrow></msub><mo>|</mo><mo>|</mo><mi>F</mi><mo>-</mo><mn>1</mn><mo>|</mo><msup><mo>|</mo><mn>2</mn></msup><mo>+</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><msub><mi>λ</mi><mrow><mi>b</mi><mn>2</mn></mrow></msub><mo>|</mo><mo>|</mo><mi>B</mi><mo>-</mo><mn>1</mn><mo>|</mo><msup><mo>|</mo><mn>2</mn></msup><mo>+</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><msub><mi>λ</mi><mrow><mi>α</mi><mn>2</mn></mrow></msub><mo>|</mo><mo>|</mo><mi>α</mi><mo>-</mo><mn>1</mn><mo>|</mo><msup><mo>|</mo><mn>2</mn></msup></mrow></mtd></mtr></mtable></mfenced>]]></math><img file="FDA0000837496980000036.GIF" wi="1135" he="318" /></maths>其中,λ<sub>f1</sub>是有效样本点中前景点的比例;λ<sub>b1</sub>是有效样本点中背景点的比例;λ<sub>α1</sub>是邻域内α的均值;λ<sub>f2</sub>是前景聚类结果的方差;λ<sub>b2</sub>是背景聚类结果的方差;λ<sub>α2</sub>是邻域内α的均值;步骤7.固定α为常数,对F,B求偏导解出F,B的值;步骤8.再利用得到的F,B的值计算α;步骤9.是否所有的未知点计算完毕,是则算法结束;否则回到步骤2。 |