[发明专利]一种基于主动学习的抠图方法

说明书

本发明公开了一种基于主动学习的抠图方法，采样方法对应于某个风险函数，风险函数值越低的前景背景对有越高的信任度，主动学习在未知区域中寻找像素，对像素标记，提高了整个图像未知区域像素的信任度；在传播模型中，不同于目前大多数方法，解决了线性传播模型进行主动学习的问题，用主动学习的方式寻找最需要进行标记的区域，对能引起求解值产生较大变化的像素，进行标记；将采样方法和传播方法结合起来，信息量越大的像素越值得标记。本发明不同于以往方法；通过主动学习，寻找更为有效的区域进行标记，从而降低了交互的工作量，并提高抠图的准确性，从测试集的结果来看，可以以较少的交互实现较高的准确性。

技术领域

本发明属于图像处理技术领域，尤其涉及一种基于主动学习的抠图方法。

背景技术

alpha抠图使用三种方法计算alpha图，一种为采样方法，一种为传播方法，一种为传播和采样结合的方法；在采样方法中，每一个像素，对应于一个前景和背景对，采样方法的关键在于求取出最佳的前景和背景对，以降低采样风险。在传播模型中，目前大多数方法使用矩阵的形式表示邻近像素间的线性关系，而抠图问题最终转化为线性方程的求解问题。alpha抠图需要对图像进行标记，确定图像的前景区域、背景区域、未知区域，简称三分图。但如何对图像进行标记，目前少有方法涉及，一般用户根据当前抠图的结果对图像进行标记，但这种方法效率较低，随意性较强，特别是对复杂背景的图像，往往需要大量的交互才可以得到较好的三分图。

综上所述，目前对图像进行标记方法存在效率较低的问题。传统的三分图制作通过抠图结果进行比对进行，用户在抠图不准确的位置进行人工标记，从而得到抠图结果。这种基于抠图结果的标记方法随意性较强，精度上有欠缺。对于复杂的图片，由于抠图结果并不能给出不同区域的重要性信息，所以根据抠图结果制作三分图，再反复纠正三分图，往往需要重复多次才能得出理想的结果。

发明内容

本发明的目的在于提供一种基于主动学习的抠图方法，旨在解决传统的三分图制作通过抠图结果进行比对时，精度上有欠缺；对于复杂的图片，需要重复多次才能得的结果；而且对图像进行标记方法也存在效率较低的问题。

本发明是这样实现的，一种基于主动学习的抠图方法，所述基于主动学习的抠图方法的公式表示如下：

等式左边代表像素x_k对应的信息量，越大的值表示越值得进行主动学习和标记，f_u表示图像未知区域(unknown)的alpha图信息,表示对x_k进行主动学习后，图像中的未知区域的alpha图信息，表示对x_k进行主动学习后在求解alpha图上的变化；公式右边由二部分组成，R_sampling表示对x_k进行主动学习后在采样上风险值的变化，R_exp表示对x_k进行主动学习后，传播方法对抠图效果的改变量；将二者结合起来，最终的表示对x_k进行主动学习后,对抠图效果的影响，影响力越大，说明x_k越值得主动学习，需要标注；λ₁、λ₂代表实数参数，通过将二者以不同权值相加，最终将采样方法和传播方法结合起来。

进一步，所述采样在未知区域中寻找像素，当像素被标记后，提高整个图像未知区域像素的信任度。

下式表示在对像素x_k进行主动学习并标记了y_k后，未知像素x_i所对应的风险值的差距：

。

用下式表示对像素x_k进行主动学习后风险值的差距：

下式表示对像素x_k进行主动学习后，图像上所有像素风险值的差距之和：