泊松抠图论文复现

泊松抠图论文复现

简介

Poisson Matting论文，主要目标是从用户给定的Trimap，也就是指定的背景，前景和未知区域抠出前景。主要采用的Poisson 方程的方法。

这篇文章的抠图效果非常精细，但是实现出来的效果却不太尽如人意，但是由于本文只实现了Global Phase部分，所以可能并没有完全发挥这篇论文的全部实力。

项目github链接

形式化问题

给定一张图片$I(x,y)$，我们希望还原出一个遮罩(matte)$\alpha$和前景图片，背景图片，使得

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

（这个方程省略了$(x,y)$，下述的所有方程都是如此，而不是矩阵的意思）

当然有一些确定为Foreground和Background的区域，我们称这两个区域为${\Omega }_F,{\Omega }_B$，我们真正希望计算的是位置区域$\Omega$的$\alpha$

我们定义外边界为$\partial \Omega =\{p\in {\Omega }_F\cup {\Omega }_B|N(p)\cap \Omega \ne \varnothing \}$

其中$N(p)$为p的四邻域。

泊松方程

我们先对方程(1)求导

$$\begin{gathered} \nabla I=\alpha \nabla F+\nabla \alpha F+-\nabla \alpha B+(1-\alpha )\nabla B \\ \nabla I=\nabla \alpha (F-B)+\alpha \nabla F+(1-\alpha )\nabla B\text{\hspace{1em}(2)} \end{gathered}$$

接下来有一个很重要的近似，我们假设自然图片是平滑的，所以$\alpha \nabla F+(1-\alpha )\nabla B$是相对较小的，所以在global过程中就假设他们是0，因此得到

$$\nabla \alpha =\frac{\nabla I}{F-B}\text{\hspace{1em}(3)}$$

因此最终，我们得到了最终的优化目标

$${\alpha }^{\ast }=\underset{\alpha }{\mathrm{argmin}}{\iint }_{p\in \Omega }||\nabla {\alpha }_p-\frac{\nabla I_p}{F_p-B_p}|{|}^{2}dp\text{\hspace{1em}(4)}$$

在已知$F,B$的情况下。

当然我们有迪利克雷边界

$${\hat{\alpha }}_p{|}_{\partial \Omega }=\{\begin{array}{ll}1& p\in {\Omega }_F\\ 0& p\in {\Omega }_B\end{array}\text{\hspace{1em}(5)}$$

全局解方法

形式化了问题之后，我们可以相关的泊松方程，得到如下的公式

$$\begin{gathered} \Delta \alpha =div(\frac{\nabla I}{F-B}) \\ =\frac{\Delta I(F-B)-\nabla I\cdot (\nabla F-\nabla B)}{(F-B{)}^2}\text{\hspace{1em}(6)} \end{gathered}$$

我们现在就是希望解这个泊松方程。

细化问题

一个问题的雏形已经出现，但是还有很多细节需要讨论

1. 彩色图三通道，怎么解泊松方程？

• 原文通过合并为灰色通道解决

2. 泊松方程通过什么来解？

• 可以直接通过Eigen库解离散形式的泊松方程。

• 但是注意到事实上这个方程式有限制条件的$0\le \alpha \le 1$

• 采取高斯迭代更为平滑

3. F-B=0的情况？

• 原文并未提及，实际处理两种方式：把F-B看成一个特别小的数，或者直接令$\Delta \alpha =0$，实现起来发现效果差不多

4. 上述讨论都是在F和B确定的情况下讨论的，但事实上并不知道F和B，怎么做？

• 通过已知边界估算F和B，然后计算$\alpha$，再反过来用$\alpha$更新边界，如此迭代

主算法

备注：第三步骤的约等于是通过设置阈值来实现的，只有灰度差不超过阈值的图像才可以被添加。迭代终止条件是没有新的点加入F和B

代码实现方法

• 使用ANN库，把所有边界点插入kd-tree来寻找最近点估计F，B

• $\alpha$的计算分为Eigen库解方程计算和Gauss迭代计算两种方法

实现结果

原图：

暴力解方程：

高斯解方程：