前景提取综述

前景提取综述根据图像合成公式，一幅输入图像C可以表示为一幅前景图像F与一幅背景图像B的凸组合，即C=αF十(1-α)B。将求解α和F的问题称为前景提取问题，前景提取问题是一个欠约束问题。因此,许多前景提取算法都需要用户首先大致将输入图像分割成包含己知前景区域、己知背景区域和未知区域的提示图像(Trimap)，然后算法根据己知前景区域和己知背景区域的信息来计算未知区域像素的掩膜值。我们可以进一步的将前景提取问题分为两类:前景分割(Foregroundsegmentation)与前景抠图(ForegroundMatting)，前者认为图像中没有半透明像素,即a=O或a=1。后者认为图像中存在半透明像素,即α∈[0,1]。在前景分割技术方面,主要有基于像素(Pixel-based)的方法，基于边界(Edge-based)的方法和基于区域(Region-based)的方法：（1）基于像素的方法要求用户在单个像素级来指定前景或者背景,因此工作量非常庞大。（2）基于边界的方法允许用户围绕前景对象的边界绘制曲线，然后对该曲线进行分段优化，但是用户必须谨慎的绘制曲线，仍然需要大量的用户交互。（3）基于区域的方法允许用户指定一些松散的提示信息，并使用优化算法来提取实际的前景对象边界，因此具有简单快速的特点，但是基于区域的方法也具有缺陷，如区域检测算法可能失效，图像中某些区域可能很难给出合适的提示信息等。在前景抠图技术方面，主要有基于采样(sampling-based)的算法和基于传播(Propagation-based)的算法：（1）基于采样的抠图算法的基本思想是，首先进行采样(如最近邻采样等),然后利用样本点来估计未知区域像素点的前景颜色和背景颜色，算法的主要局限性在于不能精确的计算未知像素的掩膜值。（2）基于传播的抠图算法的基本思想是,根据图像的统计特性做出假设(如邻域不变性等)，然后使用不需要进行颜色采样的基于传播的算法(如置信度传播等)来求解前景颜色和背景颜色，但基于传播的算法的前提假设条件不一定能得到满足。这两类算法一般都需要用户首先指定一幅提示图像,用户需要细致地构画出前景边界和背景边界，因此需要较多的用户交互，效率较低。前景提取可以细分为前景分割与前景抠图两类,其中前景抠图技术在发展过程中又分为蓝屏抠图技术与自然抠图技术两类。前景分割有以下几种方法：（1）基于阈值的分割方法：阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。（2）基于区域的分割方法：区域生长和分裂合并法是两种典型的串行区域技术。区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。分裂合并差不多是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。分裂合并的假设是对于一幅图像，前景区域由一些相互连通的像素组成的，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。当所有像素点或者子区域完成判断以后，把前景区域或者像素合并就可得到前景目标。(3)基于边缘的分割方法：图像分割的一种重要途径是通过边缘检测，不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。此外，基于数学形态学的边缘检测方法，基于遗传算法的边缘检测方法，基于分形的边缘检测方法等都属于边缘检测方法的最新研究成果。（4）基于特定理论的分割方法，图像分割至今尚无通用的自身理论，随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法。如基于聚类分析的图像分割方法：特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。基于模糊集理论的分割方法：模糊技术在图像分割中应用的一个显著特点就是它能和现有的许多陶像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。基于波变换的分割方法：基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。基于神经网络的分割方法：基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。基于图论的分割方法：该方法也是一种基于像素特征的图像分割算法，不同的是将一幅图像抽象为一个无向图，每个像素点对应着图中的一个节点，通过不断合并图结点，将这个图分割为多个连通分量，进而实现一幅图像分割。此外还有基于水平集的分割方法，基于均值迁移的分割方法。蓝屏抠图主要有以下几种方法：