[發明專利]數字摳像處理中的基于SVM的透明度估計方法

有效

• 申請號: 201310714556.2
• 申請日: 2013-12-21
• 公開（公告）號: CN103714540B
• 公開（公告）日: 2017-01-11
• 發明（設計）人: 林生佑
• 申請（專利權）人: 浙江傳媒學院
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 杭州求是專利事務所有限公司33200
• 代理人: 林松海

1.一種數字摳像處理中的基于SVM的透明度估計方法，其特征是，在數字摳像處理中，在每個前景物體邊緣的子區域中，標識出部分確定的前景和背景區域，使用SVM透明度估計方法得到各子區域內各像素的透明度值并合并，然后得到整個圖像區域各像素的透明度值，步驟為：

1）載入圖像；

2）把圖像沿前景物體的邊緣區域劃分為K個有部分重疊區域的子區域，K為自然數，并在剩余的區域中標識確定的前景區域各像素點透明度為1，和確定的背景區域透明度為0；對子區域進行透明度估計處理，標識出子區域中確定的前景和背景像素點，應使這兩類像素點的個數保持均衡；

3）對子區域中的其他未確定的像素點進行基于SVM的前景背景二元分類概率估計，得到屬于前景區域的概率值p₁和屬于背景區域的概率值p₀，p₁+p₀＝1，基于SVM的透明度估計方法將概率值p₁作為該像素點的透明度值α；

4）相鄰子區域的重疊區域內像素點的透明度值α為在兩個子區域內分別估計出來的透明度值的平均值，把處理好的每個子區域合并為一個完整的透明度圖像。

2.根據權利要求1所述的方法，其特征是，所述的步驟2）中，把圖像沿前景物體的邊緣區域劃分為k個有部分重疊區域的子區域Ω₁,Ω₂,...,Ω_k，劃分完子區域后，指明剩余的區域里為確定的各像素點透明度為1的前景區域和透明度為0的背景區域；子區域Ω₁,Ω₂,...,Ω_k內的像素點進行透明度估計處理。

3.根據權利要求1所述的方法，其特征是，所述的步驟2）中，應使這兩類像素點的個數保持均衡，對于二維圖像來說，直觀上表現為所標識的前景和背景區域面積大致相等；如果不能平衡，則應賦予它們不同的權重C₁和C₀，若確定前景像素點個數為N₁，確定背景像素點個數為N₀，則C₁:C₀＝N₀:N₁，N₀、N₁為自然數，以使它們在計算分類概率中的影響力能保持平衡。

4.根據權利要求1所述的方法，其特征是，所述的步驟2）中，子區域中確定的前景和背景像素點為像素點樣本，表示為六維向量{R,G,B,R/G,G/B,B/R}，其中R,G,B為該像素點的RGB顏色分量值，其余3個分量為RGB顏色分量的比值；根據SVM分類過程，把已知向量標準化并訓練出一個分類模型，然后把未確定像素點按照該模型進行分類。

5.根據權利要求1所述的方法，其特征是，所述的步驟4）中，把做完透明度估計的每個子區域合并為一個完整的透明度圖像，相鄰的兩個子區域Ω_i和Ω_i+1的重疊區域內像素點的透明度值α為在兩個子區域內分別估計出來的透明度值α_i和α_i+1的平均值，以使得相鄰子區域之間的透明度值能夠自然過渡。

6.根據權利要求4所述的方法，其特征是，假設像素點樣本數目為l，其中前景樣本點為p個，背景樣本點為q個，l＝p+q，SVM摳像分類超平面方程為f(x)＝wx+b，w為超平面的法向量，x為像素點，b為一待求實數（問了多人，不知有何具體名稱），對于前景樣本點x_i，有f(x_i)＝wx_i+b≥1，對于背景樣本點x_j，有f(x_j)＝wx_j+b≤-1，如果對前景樣本和背景樣本分別引入松弛變量ζ_i和ζ_j，于是摳像分類問題就是以下的優化問題：

min(12||w||2+G1Σi=1pζi+C0Σj=p+1p+qζj),ζj≥0]]>

根據y_i[(wx_i)+b]≥1-ζ_i(i＝1,2,...,l)(l是樣本數）???（2）

其中||w||為支持向量到分類超平面的距離的倒數，一個SVM分類器越好，樣本點集合中的支持向量距離分類超平面的距離就越大，也即||w||越小，在實現當中，前景和背景樣本的ζ均取0.1，C₁:C₀＝N₀:N₁＝q:p；

利用這些樣本點訓練出一個分類模型f(x)＝wx+b以后，然后用這個分類模型給未知區域的點分類，并可以算出所有像素點屬于前景區域的概率值p1和屬于背景區域的概率值p₀，其中p₁+p₀＝1；

給定樣本x與其摳像分類結果y，如果y被劃分為前景，則y取值為1，如果y被劃分為背景，則y取值為0；定義兩個概率p₀＝P(y＝0|x)，p₁＝P(y＝1|x)，對于摳像問題，p₀+p₁＝1，要計算每一像素點x的α就是估計該樣本點x屬于前景的概率p₁的值；有u₀₁＝P(y＝0|y＝0or1,x)＝P(y＝0|x)/P(y＝0or1,x)＝P(y＝0|x)＝p₀，u₁₀＝P(y＝1|y＝0or1,x)＝P(y＝1|x)/P(y＝0or1|x)＝P(y＝1|x)＝p₁；根據Platt方法，用神經元非線性作用函數來計算p₁的值，

p1=P(y=1|x)=PA,B=11+exp(Af+B)---(3)]]>

其中參數A和B由以下最大似然估計而來

minz=(A,B)F(z)=-Σi=1l(tilog(pi)+(1-tt)log(1-pi))---(4)]]>

其中p_i＝P_A,B(f_i)，若樣本點x_i是前景點，則t_i＝(N₁+1)/(N₁+2)，否則t_i＝1/(N₀+2)。