基于貝葉斯摳圖的圖像背景虛化技術(shù)

李曉穎+周衛(wèi)星+吳孫槿+李丹+胡曉暉

摘要：該文采用圖像背景虛化處理技術(shù)來提高圖像的表現(xiàn)力，突出前景在圖像中的主要位置，表現(xiàn)圖片的藝術(shù)效果，用圖像處理的方法實現(xiàn)單反攝像機(jī)得到的背景虛化的效果。首先，利用用戶自主輸入的交互式貝葉斯摳圖算法，分離出前景和背景區(qū)域。其次，通過均值濾波方法，將分割出來的背景區(qū)域模糊虛化。最后，將分割出的前景與經(jīng)過虛化的背景做圖像合成，產(chǎn)生一張有背景虛化的圖片。該文提出的基于貝葉斯摳圖的圖像背景虛化技術(shù)的實現(xiàn)效果良好，實現(xiàn)了單反相機(jī)高質(zhì)量的攝影效果，同時也可在攜帶便捷的平臺上實現(xiàn)操作，為社會市場提供了優(yōu)秀的技術(shù)支持。

關(guān)鍵詞：交互式貝葉斯摳圖算法；均值濾波；圖像合成；圖像背景；圖像模糊

中圖分類號：TP311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2017）28-0211-04

Abstract：This paper uses the image background virtual processing technology to improve the image performance， highlight the main position of the image in the image， and show the artistic effect of the picture.The effect of background blur of Single-lens Reflex Camera is achieved by image processing.Firstly，using interactive user input independent Bayesian matting algorithm， separating the foreground and background areas. Secondly，through the mean filtering method， the segmented background area is blurred and blurred. Finally the segmented foreground is combined with the blurred background to produce a picture with background blur. This virtual image background Based on Bayesian matting to achieve good results，which realizes the high quality photography effect of SLR camera， and also realizes the operation on the portable platform. It provides excellent technical support for the social market.

Key words： interactive bayesian matting algorithm； average filtering； image Synthesis； image Background； Image Blurring

圖像背景虛化技術(shù)也稱為淺景深技術(shù)，是攝影師們使用的一種能很好體現(xiàn)主體、表達(dá)視覺美感的一種攝影手段[1]。圖像背景虛化技術(shù)通過虛化背景，不僅起到了突出強調(diào)前景的作用，同時也添加了圖像的藝術(shù)氣息。目前，對待圖像虛化的探討主要還是集中在如何反模糊方向上，例如著名的逆濾波復(fù)原法[2-4]，小波分析法，支持向量機(jī)法[5] 。

針對國內(nèi)外的研究現(xiàn)狀，本文提出基于貝葉斯摳圖的圖像背景虛化技術(shù)。首先，由人為交互式地表示出所選的前景和背景部分并利用貝葉斯摳圖算法，將圖像的前景部分和背景部分分割開來；利用均值濾波虛化圖像的背景部分；最后把虛化后的背景部分和前景部分進(jìn)行合并，得到前景清晰，背景模糊的圖像背景虛化。

1 圖像的前景與背景分割

1.1 圖像摳圖技術(shù)的基本原理

圖像摳圖技術(shù)的基本方法就是把一張完整的圖像劃分成兩個區(qū)域：前景區(qū)域和背景區(qū)域。其中用戶感興趣的、受到關(guān)注的那一部分被稱為前景部分；用戶相對不感興趣的、想忽略的部分稱為背景部分。常用的幾種圖像摳圖方法主要包括[6]：1.基于閾值的摳圖方法；2.基于區(qū)域的摳圖方法；3.基于邊緣的摳圖方法等。線性插值渲染技術(shù)的圖像摳圖公式如（1）式子所示[7]：

1.2 交互式的貝葉斯摳圖

1.2.1 貝葉斯的基本原理分析

Bayes Mattting是在2011年被提出的一門圖像處理技術(shù)，將圖像分為：F（前景部分），B（背景部分）和C（未知部分）。“Bayes Mattting利用圓形的活動窗口獲取未知區(qū)域中的像素，在未知區(qū)域范圍內(nèi)，采用從未知區(qū)域邊界的像素點向未知區(qū)域內(nèi)部逐漸移動的規(guī)律，從物體外延到內(nèi)部逐步估計未知區(qū)域的各個像素的顏色值。最終，將未知區(qū)域中的像素分別細(xì)致地劃分到前景區(qū)域或者背景區(qū)域中去，從而實現(xiàn)圖像摳圖的效果”[8]。如圖2所示。

Bayes Mattting是一種交互式輸入的摳圖算法，用戶確定區(qū)域輸入的像素點的F、B、alpha值。用一個移動著的圓形窗口對未知部分的像素逐漸采樣，圓形活動窗口的圓心點是待計算未知區(qū)域里的某一個像素點。可以通過調(diào)節(jié)圓形窗口的半徑大小，盡量多的采集未知區(qū)域中的前景區(qū)域樣本點與背景區(qū)域樣本點，最終確保所有的樣本點都可以近似實現(xiàn)各自的正態(tài)分布[9]。

未知區(qū)域像素值的數(shù)學(xué)模型符合高斯概率分布定律，其平均值為[C=αF+1-αB]，其與真實值C之間的差距可以滿足標(biāo)準(zhǔn)的正態(tài)分布，公式中的[σ]表示標(biāo)準(zhǔn)差。

i稱為當(dāng)前像素點的鄰接頂點，ai稱作i點位置的alpha值。“對于給定前景色和相關(guān)權(quán)重，將顏色通過Bouman和Orchard的方法進(jìn)行分簇”[10]。對于一個簇，可明確簇內(nèi)的顏色變化的總趨勢的方向，再將這個簇用一個平面分開，這個平面是一個垂直于簇內(nèi)顏色變化方向的平面，并且是由穿過這個簇的顏色的平均值構(gòu)成的[11]。每一個簇的加權(quán)協(xié)方差矩陣∑F和加權(quán)平均顏色`F的公式表示為：endprint

利用普通的畫圖工具將原圖打開，由有色筆在原圖中用不同的顏色標(biāo)識出選定的前景區(qū)域和背景區(qū)域，用戶通過標(biāo)注確定選擇的前景部分和背景部分的像素值，利用交互式的摳圖算法，最終可實現(xiàn)預(yù)計的圖像分割圖，如圖4所示：

在標(biāo)志好前景與背景區(qū)域之后，將圖片命名為dandelion_clipped_m的形式。

在Matlab平臺仿真后，可實現(xiàn)圖像的分割效果，圖像的前景區(qū)域和背景區(qū)域如圖5（a）、（b）、（c）所示：

從圖像中可以清晰地看到絨毛分割處，在分割邊界處每一根絨毛的分界顯得格外分明，不再是模糊一片，該交互式的貝葉斯摳圖技術(shù)實現(xiàn)了清晰分割毛發(fā)圖像。

2 圖像虛化技術(shù)

2.1 圖像虛化技術(shù)的基本原理

所謂的圖像虛化，就是將原本清晰的圖像通過一定的信號濾波或者運動或者景深操作等作用之后，使得圖像變得模糊，除掉圖像中的某些不受關(guān)注的信息，使圖像存儲的信息量減少。

2.2 三種產(chǎn)生圖像虛化的方法

2.2.1 均值濾波

濾波技術(shù)在圖像處理方面的運用范圍廣，特別是在實現(xiàn)刪除或者強調(diào)圖像中的某些特征的技術(shù)領(lǐng)域。均值濾波技術(shù)的基本原理是：通過計算原圖像各像素值的均值，用計算出的像素值的均值來替代原圖像中的各個像素值，也就是說選用一個較為合理的模板來取代原圖像中各個點的像素點（x，y）。這個模板由各個像素點近鄰的若干像素計算產(chǎn)生，求模板里所有像素值的均值，再把這個均值賦予到當(dāng)前的像素點（x，y）上，把它作為處理后圖像在該點上的灰度值g（x，y），即[g（x，y）=1/mf（x，y）]，m是該模板里所有像素點的總個數(shù)?？梢哉{(diào)節(jié)不同的像素點，產(chǎn)生不同強度的模板，進(jìn)而生成不同程度效果的圖像，詳細(xì)情況如圖6所示。

從圖中可以對比出，圖像的模糊程度逐漸遞增，均值3圖像呈現(xiàn)出來的清晰度遠(yuǎn)遠(yuǎn)弱于原圖像呈現(xiàn)出來的效果。

3 前景與虛化的背景結(jié)合

此處可采用簡單地加法運算將兩張經(jīng)過處理的圖片相結(jié)合，生成一張完整的具有表現(xiàn)力的圖像背景虛化處理效果圖，經(jīng)過圖像背景虛化技術(shù)后的圖片產(chǎn)生了明顯的變化。比較圖如圖7所示。

4 結(jié)論

本文是基于貝葉斯摳圖的圖像背景虛化技術(shù)，利用交互式的貝葉斯摳圖算法，將圖像的背景部分和前景部分區(qū)分開；并利用均值濾波將圖像的背景部分做模糊處理，而圖像的前景部分不做處理；最后將圖像的前景部分和虛化過后的背景部分合成。得到前景清晰，背景模糊的圖像背景虛化效果。將單反攝像機(jī)利用光學(xué)成像的實現(xiàn)虛化的效果用圖像處理技術(shù)實現(xiàn)，可在攝像、影視等行業(yè)得到廣泛應(yīng)用。

參考文獻(xiàn)：

[1] 肖進(jìn)勝，杜康華，涂超平，等.基于多聚焦圖像深度信息提取的背景虛化顯示[J].自動化學(xué)報，2015，41（2）：304-311.

[2] Harris S J L. Image Evaluation and Restoration[J]. Journal of the Optical Society of America， 1966， 56（5）：569-574.

[3] McGlamery B L. Restoration of Turbulence-Degraded Images[J].Journal of the Optical Society of America， 1967， 57（3）：293-297.

[4] Brigham E O， Smith H W， Bostick F X， et al. An Iterative Technique for Determining Inverse Filters[J].IEEE Transactions on Geoscience Electronics， 1968， 6（2）：86-96.

[5] Lin TC， Yu PT. Adaptive-pass Median Filter on Support Vector Machines for Image Restoration[J].Neural Computation， 2004， 16（2）：333-354.

[6] 殷國軍，秦莉. 圖像分割方法研究綜述[J].河北工程技術(shù)高等專科學(xué)校學(xué)報，2009（2）：9-12.

[7] T. Porter T. Duff. Compositing digital images[J].Siggraph，1984： 253-259.

[8] Chuang Y Y， Curless B， Salesin D. A Bayesian approach to digital matting[J]. In Proceedings of CVPR 2001，2001：264-271.

[9] 李卓婷.三種典型數(shù)字圖像摳圖方法的比較[D].廣州：華南理工大學(xué)，2013.

[10] M.T.Orchard and C.Bouman. Color quantization of images. IEEE Transactions on Signal Processing， 1991，39（12）：2677-2690.

[11] Chottera A， Jullien G A. Recursive digital filters in image processing[C]//Proceedings of IEEE International Conference on Acoustics， Speech， and Signal Processing. Tulsa，Oklahoma： IEEE Press， April 1978， 3： 757-760.endprint

[12] Galatsanos N P， Katsaggelos A K. Methods for choosing the regularization parameter and estimating the noise variance in image restoration and their relation[J].IEEE Transactions on Image Processing， 1992， 1（3）：322-336.

[13] Kempen v CxM P， Voort v H T M， Bauman J.CxJ， et al. Comparing maximum likelihood estimation and constrained Tikhonov-Miller restoration[J].IEEE Engineering in Medicine and Biology Magazine， 1996， 15（1）：76-83.

[14] Barakat V， Guilpart B， Goutte R， et al. Model-based Tikhonov-Miller image restoration[C]// Proceedings of IEEE International Conference on Image Processing.Santa Barbara， California： IEEE Press， October 1997， 1：310-313.

[15] Murli A， DAmore L， De Simone V. The Wiener filter and regularization methods for image restoration problems[C]//Proceedings of International Conference on Image Analysis and Processing. Venice， Italy： IEEE Press， September 1999： 394-399.

[16] Cao D-D， Guo P. Blind image restoration Based on wavelet analysis[C]//Proceedings of International Conference on Machine Learning and Cybernetics. Guangzhou： IEEE Press， August 2005， 8： 4977-1982.endprint