利用全局方法進行泊松前景提取*

曹春紅，王慶敏

?

利用全局方法進行泊松前景提取*

曹春紅1,2,3+，王慶敏1,2,3

1.東北大學信息科學與工程學院，沈陽110819
2.東北大學醫學影像計算教育部重點實驗室，沈陽110819
3.南京大學計算機軟件新技術國家重點實驗室，南京210023

ISSN 1673-9418 CODEN JKYTA8

Journal of Frontiers of Computer Science and Technology 1673-9418/2016/10(05)-0688-11

http://www.ceaj.org Tel: +86-10-89056056

* The National Natural Science Foundation of China under Grant No. 61300096 (國家自然科學基金); the Fundamental Research Funds for the Central Universities of China under Grant No. N130404013 (中央高校基本科研業務費專項基金).

Received 2015-06,Accepted 2015-08.

CNKI網絡優先出版: 2015-09-02, http://www.cnki.net/kcms/detail/11.5602.TP.20150902.1103.006.htm l

CAO Chunhong, WANG Qingm in. Using global method to extract Poisson foreground. Journal of Frontiers of Com puter Science and Technology, 2016, 10(5)：688-698.

摘要：圖像前景提取是運用圖像處理算法快速準確地提取出圖像中人們感興趣的目標。圖像前景提取的精度直接影響了對目標圖像的后續處理。為了提高圖像前景提取的精度，提出了一個新的利用全局方法進行Poisson前景提取的算法。為了能夠更快更好地得到最優采樣點，提出了擴散、搜索的方法，并對該方法的有效性和精確性進行了分析。擴散方法是通過在較小的鄰域內計算各采樣點的代價尋找代價最小的采樣點，它能夠得到鄰近區域的最優解；搜索方法是通過一定的規則跳躍式地尋找最優采樣點，它能夠加快尋找最優采樣點的速度。實驗表明，基于全局的Poisson前景提取算法會得到更精確的前景提取結果。

關鍵詞：泊松算法；前景提取；全局算法

1 引言

圖像前景提取指的是對給定的一幅圖像，快速準確地提取感興趣的目標，以便于更換背景或者做其他的操作，它是數字圖像處理中的重要操作，也是模式識別和計算機視覺的研究熱點[1-4]。圖像提取質量的好壞直接影響到后續圖像的操作。

Poisson前景提取算法是經典的圖像前景提取算法。該算法將自然圖像透明度看作一個場，該場的邊界被用戶獲得后，通過求解Poisson方程而得到參數值[5-14]。Poisson前景提取算法提取速率較快，對于較大的圖像提取也能滿足要求。但Poisson前景提取算法是選取距離最近的點作為未知像素的采樣點，丟失了大量的候選采樣信息，因此前景提取的結果可能會有瑕疵。

為了彌補Poisson前景提取算法的不足，最初的研究者通常將前景提取分為兩個小步驟：第一步，采用Poisson前景提取算法對圖像進行前景提取；第二步，對局部區域進行修復。這種做法雖然可以得到比較精確的提取結果，但是操作過程比較復雜。現在，對圖像前景提取算法的研究主要集中在加快速度或者提高精確度上。例如：基于區域增長的Poisson前景提取算法雖然減少了人工交互，加快了速度，但是它的采樣點范圍小，導致提取結果不精確。同樣，一些全局前景提取算法只通過擴大采樣點的取值范圍提高前景提取的精度，計算量增加，使得算法效率大大降低。

針對經典Poisson前景提取算法的缺點，本文提出基于全局的Poisson前景提取算法。為了能夠更快更好地得到最優采樣點，提出擴散、搜索的方法，并對擴散搜索的有效性和精確性進行分析。實驗表明，基于全局的Poisson前景提取算法能得到更精確的前景提取結果。

2 Poisson方程與Poisson前景提取算法

Sun等人在“Poisson matting”中將一幅圖像描述為：

式（1）中，I、F和B分別表示圖像上一點的合成色、前景色和背景色；α是該點的alpha值。化簡式（1）得：

3 基于全局的Poisson前景提取算法

Poisson算法是基于采樣的。Poisson算法根據距離最近原則選擇采樣前景和采樣背景，其僅是考慮了未知像素某個鄰域內的采樣點，這樣會丟失一些好的采樣點。本文提出的基于全局的Poisson前景提取技術將采樣范圍擴大到整個邊界區域附近，并且考慮到圖像中的極值點，為了提高查找最優采樣點的速度，引進了擴散和搜索的方法，通過這些改進，人們可以更快更精確地得到前景提取圖。

基于全局的Poisson前景提取算法是受文獻[15]的啟發。文獻[15]主要是基于PatchMatch算法提出一個新的采樣匹配算法。它將采樣前景、采樣背景看作一個采樣對，通過對所有的候選前景、背景對循環進行擴散和搜索操作找到代價最小的最優前景、背景采樣對，同時也找到最優的α。但是這種方法雖然經過擴散、搜索操作，候選的采樣對數量仍然非常龐大，對于較大的圖像來說計算速度非常慢。本文將Poisson算法和基于全局的前景提取算法結合，提出了基于全局的Poisson算法。優化了Poisson算法中對局部小細節的處理。同時為了加快速度，將候選前景采樣點和候選背景采樣點分開計算代價，進行排序、擴散、搜索操作，大大減少了計算復雜度，加快了算法處理速度。

3.1基于全局的前景提取算法的代價函數

根據圖像的表達公式：

I=αF+(1-α)B（3）

對于一幅圖像，人們僅知道圖像上某像素的合成色I，前景色F、背景色B以及α均未知。若要根據式（3）求其中的一個未知變量，則為一個病態問題。因此，在前景提取中，對于不確定區域內的像素點，可以通過采樣的方法確定前景和背景，從而近似地確定未知像素的α值。從直觀上來看，被選擇采樣點的好壞取決于它與未知像素點顏色相似度的大小。在自然圖像中，根據相鄰的像素點具有相似的顏色值這一規律，可以將兩個像素之間的距離大小作為判斷這兩個像素點相似性的標準之一。這個規律只適用于一般情況，對于亮度不平滑變化的自然圖像，尤其是當圖像中存在較多細節時不適用于這個規律。因此，選擇采樣點不能僅靠距離遠近這一個標準，還要考慮最基礎的顏色相似性。

本文定義代價函數ε來表示候選點代替未知像素點的代價。候選點的代價包含兩個部分：一是顏色代價，二是距離代價。這里所要選取的候選點就是總代價最小的點，具體說，即為一定距離范圍內離的較近且顏色也較相似的點。例如：距離范圍為1時，在距離未知像素點小于等于1的范圍內，即該未知像素點的上、下、左、右、左上、右上、左下、右下8鄰域內尋找總代價最小的像素點作為候選點。

對于不確定區域中的一個未知像素I，設Fi、Bj分別為它的前景采樣點和背景采樣點。前景顏色代價和背景顏色代價分別用未知像素I的顏色和前景采樣點Fi、未知像素I的顏色和背景采樣點Bj組成的顏色的差值來表示。差值越小，表示這個采樣點的顏色與未知像素點的顏色越相近，越能較好地描述未知像素。顏色代價為：

式（4）表示的是未知像素與前景采樣點的顏色代價。式（5）表示的是未知像素與背景采樣點的顏色代價。

式（6）表示的是未知像素與前景采樣點的距離代價。式（7）表示的是未知像素與背景采樣點的距離代價。其中XFi、XBj和XI分別表示前景采樣點、背景采樣點和未知像素的坐標值。DF、DB分別表示候選前景采樣中與未知像素最近的距離以及候選背景采樣中與未知像素最近的距離。這時，求出的距離代價εs的值均為相對值，不依賴于某個像素點具體的坐標。

前景采樣點和背景采樣點的總代價分別為：

其中ω表示顏色代價所占的比重。為了研究的方便，可以取ω=1。

對于任意未知像素，通過分別求解各個候選前景、候選背景的總代價來判斷該采樣前景、采樣背景的優劣。總代價越小的前景、背景采樣點，代替未知像素取得的效果就越好。

3.2基于全局的Poisson前景提取算法的候選采樣集

基于全局的Poisson前景提取算法擴大了候選采樣點的范圍，將候選的采樣點擴大到了整個邊界。分別在前景邊界和背景邊界尋求最優的采樣前景和采樣背景。

基于全局的Poisson前景提取算法將候選的前景和候選的背景分別組成前景序列和背景序列。候選的前景采樣點由內邊界上以及離內邊界m像素內的像素點組成。候選的背景采樣點由外邊界上以及離外邊界m像素內的像素點組成。候選前景（背景）序列中的每個元素包含兩部分的信息：顏色信息和坐標信息。同時，為了保證結果的準確性，候選采樣對中考慮圖像顏色突變的點，在候選前景（候選背景）中加入前景區域（背景區域）中顏色突變的奇異點。圖1所示為一個前景序列點示意圖（圖1中不含奇異點）。

Fig.1 Distribution diagram about candidate foreground sequence圖1 候選前景序列分布圖

圖1中，橫坐標和縱坐標是某個像素點的位置坐標，標號是前景序列中的點。在實驗中分別取m= 1,2,3，并對結果進行比較發現，當m=1時，即可取得比較好的實驗結果。這里取m=1，既可以得到較好的提取結果，又可以使候選序列比較少，減少計算的復雜性。

得到候選前景、候選背景序列后，對于某個未知像素，可以分別在候選前景序列、候選背景序列中逐個計算采樣點的總代價，通過尋找總代價最小的點就可以確定最優的前景采樣點或背景采樣點。但是對于一幅較大的圖像，候選的采樣前景、采樣背景的數量非常大，為了計算一個未知像素，需要比較候選前景序列和候選背景序列中的每一個采樣點。對于圖像中的所有未知像素，計算量會更大。雖然圖像不嚴格滿足相鄰的像素具有相似的顏色這一規律，但是對于兩個顏色相似的候選采樣對，與未知像素的距離越近，效果越好。本文選擇的最優點總是距離相對近，顏色相似，即總代價最小。根據這個原理，不必要計算所有的候選采樣點，只需要根據一定的規則，對候選的采樣點進行隨機抽取檢驗。這樣，對于一個未知像素，大大減少了需要計算的候選采樣點代價的個數。

為了使得隨機搜索方法有效，搜索到的點具有代表性且有效，分別對候選前景序列和候選背景序列進行排序，使得顏色相近，距離相近的點相鄰，其中排序采用顏色優先。排序后的前景、背景序列對分別為：F(F1,F2,…,Fn)，B(B1,B2,…,Bn)。配對方法將會用到后面的擴散、搜索過程。根據圖像學的基礎知識和實驗結果可知選擇坐標、顏色或者亮度對采樣的結果影響不大。

一幅圖像的候選前景和候選背景排序后的結果如圖2所示。

Fig.2 Candidate foreground and background sequence ordered by lum inance圖2 候選前景、背景序列按亮度排序

3.3未知像素的最優前景F和最優背景B的獲得

得到有序的候選前景序列和候選背景序列后，需要選擇最優的前景采樣、背景采樣。為了優化算法，得到更好的采樣結果，本文運用了搜索、擴散的方法，這對于較大的圖像提高算法速率有很大的幫助。

3.3.1初始化

根據Poisson方程，需要尋求最優的采樣前景和采樣背景。候選前景、候選背景的數量比較大，可以運用隨機的方法分別選擇一個前景點和背景點作為最優的采樣前景和采樣背景，分別記為Fi和Bj。分別計算出采樣前景、采樣背景的總代價，記為Φ1(Fi)、Φ2(Bj)，分別表示當前最小的前景總代價值和背景總代價值。

3.3.2擴散

經過初始化過程，為最優采樣前景Fi和最優采樣背景Bj以及它們的總代價Φ1(Fi)、Φ2(Bj)賦初值。擴散的目的是為了在初始采樣點相鄰區域內得到最優采樣點。

根據圖像的平滑性可知，需要找到相鄰區域內的最優采樣點。如果一個像素已經發現了一個好的采樣點，這個采樣點也可能是它相鄰像素的最好值，具體可以通過擴散判斷；如果這個采樣點能有一個最小的代價，這個擴散利用相鄰像素有相似的前景/背景顏色，可能尋找到更優的采樣點。

下面是擴散方法的實現原理。找到當前最優的前景采樣點/背景采樣點后，檢測該前景采樣點/背景采樣點周圍的像素點，計算周圍像素點的代價Φ1′(i′)/Φ2′(j′)，將這些像素點中代價最小的像素點賦值為Φ1(i)/Φ2(j)，即：

相鄰像素具有相似的性質，如果一個像素已經發現了一個好的采樣點，這個采樣點也可能會是它相鄰像素的最好值。通過擴散操作，可能會找到代價更小的采樣點，從而精確采樣的結果。

在擴散過程中，需要檢測相鄰各個像素點的總代價大小，選取代價最小的點為最優采樣點。因為候選的采樣點已經按照亮度排序，所以尋找的相鄰像素是以當前最優采樣點為中心的n鄰域內的點。

擴散操作得到的是一個小鄰域內的最優解，要想在整個候選的前景采樣序列、背景采樣序列中找到

最優解，只通過擴散方法是達不到的。如圖3所示。

Fig.3 Limitation of diffusion method圖3 擴散方法搜索局限性

圖3中，初始位置為C，擴散方法只是在C點附近取值，它將在得到局部最優解A后停止。因為在A點無論向哪個方向小幅度移動都不能得到更優的解，這時會丟失真正的最優解B。為了防止陷入局部最優解，下節將詳述搜索方法。

3.3.3搜索

對于一幅較大的圖像，候選的前景采樣點和候選的背景采樣點的數量非常大。為了尋找不確定區域中未知像素的最優采樣前景和最優采樣背景，需要逐個計算它與候選前景采樣點和候選背景采樣點的總代價，計算量比較大。為了能夠減少計算量，本文引進了擴散方法，但是擴散方法容易陷入局部最優解。為了得到更精確的結果，分別在有序的候選前景采樣點和候選背景采樣點上進行搜索操作。搜索操作在候選的采樣點中按照一定的規則進行搜索，不需要計算全部的候選采樣點。并且搜索操作可以快速地將最優前景采樣點/最優背景采樣點所在的區域縮小，減少計算過程。

本小節只針對未知像素在候選前景序列中的搜索過程進行講解，它在候選背景序列中的搜索過程可以類似得到。

設定搜索方法的終止條件如下：找到當前鄰域中最優前景采樣點后，在確定下一個最優前景采樣點時運用搜索方法。搜索方法在一個窗口內進行，窗口的大小呈指數形式縮小。搜索方法終止的條件為：Tβk<1或者k達到了最大取值。這個終止條件說明：當下一個最優前景采樣點與當前最優前景采樣點的距離小于1或者搜索次數達到規定的上限時算法停止。

3.3.4未知像素最優前景、背景采樣點獲得算法步驟

未知像素最優前景、背景采樣點的獲得是通過擴散、搜索循環操作得到的。擴散操作比較采樣點以及采樣點的鄰域點，選擇代價最小的點作為當前的最優采樣點。然后進行搜索操作，尋求下一個可能的最優采樣點。每一個搜索操作后都要進行擴散操作，直到滿足搜索終止的條件。本文以某一未知像素I的最優前景采樣點的獲得為例，算法的具體步驟為：

（1）運用隨機選擇的方法產生一個前景采樣點Fi，計算該前景采樣點代替未知像素I的代價εi。令φ為最小代價，F為最優采樣點，則φ=ε，F=Fi。

（2）設置初始的搜索窗口大小為T，迭代次數i=1。

（3）計算當前最優前景采樣點F的各鄰域的代價值，并判斷這些代價值的大小，選擇代價最小的采樣點作為新的最優采樣點F，φ為它的最小代價。

（4）根據搜索規則，確定下一個可能的最優前景采樣點Fi+1，計算該采樣點的代價εi+1。

（4.1）若εi+1<φ，F=Fi+1，φ=εi+1，T=Tβi，i=i+1；判斷是否滿足退出條件：T

①若滿足退出條件，算法結束，退出。

②若不滿足退出條件，返回步驟（3）。

（4.2）若εi+1>φ，判斷是否滿足退出條件：T

①若滿足退出條件，算法結束，退出。

②若不滿足退出條件，返回步驟（4）。

得到最優采樣點后，還需要求解Poisson方程來求得α值，從而提取出前景。

3.4基于全局的Poisson前景提取算法步驟

基于全局的Poisson前景提取算法，將候選的前景采樣點、背景采樣點擴大到整個邊界區域，在選取過程中既考慮了采樣點的顏色信息，也考慮了距離信息，使選取的結果更加接近未知像素的真實值。

基于全局的Poisson前景提取算法具體步驟為：

（1）輸入原始圖像。

（2）人工選擇內外邊界，形成三分圖，明確前景區域、背景區域和不確定區域。

（3）得到最優前景采樣點和最優背景采樣點。

（4）計算最優前景采樣點和最優背景采樣點的差值F-B。

（5）Gauss-Seidel迭代求各個像素點的α值。

（6）根據α值重新確定前景和背景區域。

（7）判斷α的變化是否明顯，并判斷是否還有不確定區域的像素未被歸為前景或背景。

4 算法實驗與結果分析

4.1 Poisson算法和基于全局的Poisson算法采樣點的比較分析

對于Poisson前景提取算法來說：α值與前景、背景采樣點有關。前景、背景采樣點的選取越好，前景提取的結果就越好，因此采樣點的選取也是非常重要的。采樣點最優即代價最小，通過對經典Poisson算法和全局Poisson算法采樣點代價的比較來分析采樣點的優劣。

本次實驗中各項參數選擇分別為：

（1）m=1，即候選的前景采樣點由內邊界上以及離內邊界1像素內的像素點組成。候選的背景采樣點由外邊界上以及離外邊界1像素內的像素點組成。

（2）擴散操作小鄰域n=8。

（3）搜索窗口T為邊長為50像素的矩形。

（4）搜索次數k=50。

圖4～圖6橫坐標表示的是不確定區域中的所有未知像素點；縱坐標表示的是未知像素點最優采樣前景的代價值。圖7～圖9橫坐標表示的是不確定區域中的所有未知像素點；縱坐標表示的是未知像素點最優采樣背景的代價值。本文對圖4～圖6進行分析，圖7～圖9類似。

Fig.4 Cost of unknown pixel’s optimal foregroundsampling point using global Poisson algorithm圖4 全局Poisson算法未知像素最優前景采樣點代價

Fig.5 Cost of unknown pixel’s optimal foreground sampling point using Poisson algorithm圖5 Poisson算法未知像素最優前景采樣點代價

Fig.6 Cost different value of optimal foreground sampling point between Poisson algorithm and global Poisson algorithm圖6 Poisson算法與全局Poisson算法最優前景采樣點代價差

Fig.7 Cost of unknown pixel’s optimal background sampling point using global Poisson algorithm圖7 全局Poisson算法未知像素最優背景采樣點代價

Fig.8 Cost of unknown pixel’s optimal background sampling point using Poisson algorithm圖8 Poisson算法未知像素最優背景采樣點代價

通過觀察圖4可知，基于全局的Poisson前景提取算法中，未知像素點的采樣前景代價都在200以下，其中有很大數量的未知像素點的采樣前景代價在100以下。圖5中Poisson前景提取算法，未知像素點的采樣前景代價大部分都在150～300之間。圖6 是Poisson前景提取算法和基于全局的Poisson前景提取算法最優前景采樣點代價的差值。從圖中可以看到，它們的差值基本都大于0。這說明，基于全局的Poisson前景提取算法所找到的前景采樣點要好于Poisson前景提取算法找到的最優前景采樣點。

4.2基于全局的Poisson算法、Bayesian算法、Closed-Form算法實驗比較分析

本次實驗中，基于全局的Poisson前景提取算法和Bayesian前景提取算法采用的是三分圖，即將輸入圖像分成前景區域、背景區域和不確定區域。Closed-Form算法采用的是Scribe方式，涂鴉感興趣的區域。Scribe方法比三分圖更簡單，易于操作。本次實驗中主要驗證的是實驗的精確性，因此忽略提取算法耗費的時間及操作簡便性。

如圖10所示，（a）為原圖，（b）為三分圖，（c）為Scribe，（d）、（e）、（f）分別為Bayesian、基于全局的Poisson、Closed-Form前景提取結果。從圖中可以看到，基于全局的Poisson算法可以得到較精確的結果。

Fig.9 Cost different value of optimal background sampling point between Poisson algorithm and global Poisson algorithm圖9 Poisson算法與全局Poisson算法最優背景采樣點代價差

Fig.10 Contrast figures between Poisson algorithm,Bayesian algorithm and Closed-Form algorithm圖10 基于全局的Poisson算法、Bayesian算法、Closed-Form算法比較

4.3 Poisson算法和基于全局的Poisson算法提取結果比較分析

Poisson算法通過采樣點來估計未知像素的點。經典Poisson算法按照相鄰的距離具有相似顏色的特點，通過尋找距離最近的采樣點來估計未知像素的前景、背景以及α值。這種方法丟失了很大的候選采樣點，可能造成結果不準確。基于全局的Poisson前景提取算法將候選采樣點擴大到整個邊界區域，這種方法可以提高采樣點的準確性，從而使得前景提取效果更好。

由圖11、圖12可以看出，Poisson算法對于圖像中細小的頭發，尤其是當未知像素與前景之間有背景顏色時（如圖13（a1）），會失效。圖12中，（a1）、（b1），（a2）、（b2），（c1）、（d1）分別是圖11中相應區域的放大顯示。

圖12中，（a1）是經過Poisson算法提取后得到的前景提取圖，（b1）是經過全局Poisson前景提取算法后得到的前景提取圖。觀察圖12中對應的原圖區域可以發現，被劃分到不確定區域中的頭發1和確定的前景區域中間隔著背景區域顏色（藍色）。（a1）沒能順利提取出頭發1，Poisson前景提取算法失效，而（b1）可以較清晰地提取出這部分前景。這說明基于全局的Poisson前景提取算法能夠有效處理前景較分離的圖像。經典的Possion前景提取算法處理圖11的時間為1.3 s，而本文基于全局的Poisson前景提取算法處理圖11的時間為3.0 s。可見在處理速度上，本文基于全局的Poisson前景提取算法速度并不快，但本文算法可以解決經典算法有時候無法提取正確結果的問題。

圖12中，（a2）是經過Poisson前景提取算法后得到的前景提取圖；（b2）是經過全局Poisson前景提取算法后得到的前景提取圖。比較（a2）和（b2）可以發現，（a2）邊界比較模糊，（b2）邊界比較分明。這時，雖然Poisson前景提取算法能夠提取出部分前景，但是提取效果非常差。全局Poisson能較好地完成細節部分的前景提取。同理，可比較分析（c1）、（d1）。

圖13、圖14為一組背景相似的Poisson前景提取算法和基于全局的Poisson前景提取算法效果圖。

Fig.11 Contrast figures between global Poisson algorithm and Poisson algorithm (1)圖11 基于全局的Poisson前景提取算法與Poisson算法效果對比圖（1）

Fig.12 Enlarged contrast figures between global Poisson algorithm and Poisson algorithm (1)圖12 基于全局的Poisson前景提取算法與Poisson算法放大對比圖（1）

Fig.13 Contrast figures between global Poisson algorithm and Poisson algorithm (2)圖13 基于全局的Poisson前景提取算法與Poisson算法效果對比圖（2）

由圖14可知，圖14（b）雖然也沒能精確地提取出頭發，但是和圖14（a）相比有很大的改進。前景、背景相似的圖像的提取效果不好是Poisson算法的普遍缺點，基于全局的Poisson算法對提取效果有些許改進。當前景區域與背景區域的顏色較為相似時，基于全局的Poisson前景提取算法的效果會有所下降。現有方法可以通過分析圖像中部分對象的顏色特征和紋理特征來處理背景復雜圖像的提取。可以將該方法用于此種情況。

Fig.14 Enlarged contrast figures between global Poisson algorithm and Poisson algorithm (2)圖14 基于全局的Poisson前景提取算法與Poisson算法放大對比圖（2）

實驗中選取中國圖庫中的圖像。中國圖庫擁有超過3 900萬張圖片素材，圖片類型涉及人物、動物、風景、主題、動作、生活等。其中人物、動物、風景等圖片類型中含有非常多的細節，并且圖像背景較復雜。本文實驗在這些類型中隨機選取50幅圖像進行測試，發現以下3種情況下基于全局的Poisson前景提取算法相對于經典Poisson前景提取算法效果良好的有效率達到95%：一是對于圖像中的細節提取效果較好；二是當未知像素與前景之間有背景顏色時，經典Poisson算法通常會失效，而基于全局的Poisson前景提取算法能夠較好處理；三是基于全局的Poisson前景提取算法能夠實現前景較分離圖像的提取。

5 總結

本文對Poisson前景提取算法進行了分析實現，提出了改進的基于全局的Poisson前景提取算法，提出了代價函數，針對改進算法中最優采樣點的尋找提出擴散、搜索操作。實驗表明，基于全局的Poisson算法較經典Poisson算法效果有明顯的改善。今后可以從以下幾個方面進行研究：（1）當圖像中前景區域和背景區域的顏色相似時，基于全局的Poisson前景提取算法的提取效果下降。（2）基于全局的Poisson前景提取算法需要比較所有的候選采樣點，計算量較大，造成前景提取速度有所降低。怎樣加快提取速度也需要深入研究。

References:

[1] Porter T, Duff T. Compositing digital images[J]. Computer Graphics, 1984, 18(3): 253-259.

[2] Pham D L, Xu Chenyang, Prince J L. Current methods in medical image segmentation[J]. Annual Review of Biomedical Eengineering, 2000, 2(1): 315-337.

[3] Boykov Y, Jolly M-P. Interactive graph cuts for optimal boundary region segmentation of objects in N-D images [C]//Proceedings of the 2001 International Conference on Computer Vision, Vancouver, Canada, Jul 2001: 105-112.

[4] Wang Li, Li Chunm ing, Sun Quansen, et al. Active contours driven by local and global intensity fitting energy w ith application tobrainMRimagesegmentation[J].Computerized Medical Imaging and Graphics, 2009, 33(7): 520-531.

[5] Wang Pei. Research and improvement on the foreground extraction algorithms[D]. Xi?an: Xidian University, 2012.

[6] Shahrian E, Rajan D. Weighted color and texture sample selection for image matting[C]//Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition, Providence, USA, Jun 16-21, 2012. Piscataway, USA: IEEE, 2012: 718-725.

[7] He Bei, Wang Guijin, Ruan Zhiwei, et al. Local matting based on sample-pair propagation and iterative refinement [C]//Proceedings of the 2012 19th IEEE International Conference on Image Processing, Orlando, USA, Sep 30-Oct 3, 2012. Piscataway, USA: IEEE, 2012: 285-288.

[8] Jin Meiguang, Kim B-K, Song W-J. Adaptive propagationbased color-sampling for A lpha matting[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2014, 24(7): 1101-1110.

[9] Zeng Zim ing, Wang Jue, Tiddeman B, et al. Unsupervised tumour segmentation in PETusing local and global intensityfitting active surface and alpha matting[J]. Computers in Biology and Medicine, 2013, 43(10): 1530-1544.

[10] Xue Jianru, Wang Le, Zheng Nanning, et al. Automatic salient object extraction w ith contextual cue and its applications to recognition and alpha matting[J]. Pattern Recognition, 2013, 46(11): 2874-2889.

[11] Levin A, Lischinski D, Weiss Y. A closed-form solution tonatural image matting[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 30(2): 228-242.

[12] Berman A, Dadourian A, V lahos P. Method for removing from an image the background surrounding a selected object: USA, 6134346[P]. 2000.

[13] Hillman P, Hannah J, Renshaw D. A lpha channel estimation in high resolution images and image sequences[C]//Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway, USA: IEEE, 2001: 1063-1068.

[14] Schluns K, Koschan A. Global and local highlight analysis in color images[C]//Proceedings of the 2000 Conference on Color Graphics Image Processing, 2000, 1: 300-304.

[15] He Kaim ing, Rhemann C, Rother C, et al.A global sampling method for alpha matting[C]//Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition, Providence, USA, Jun 20-25, 2011. Piscataway, USA: IEEE, 2011: 2049-2056.

附中文參考文獻：

[5]王培.前景提取算法的研究與改進[D].西安:西安電子科技大學, 2012.

CAO Chunhong was born in 1976. She received the Ph.D. degree in computer application from Jilin University in 2005. Now she is an associate professor at Northeastern University. Her research interests include computer graphics and CAD, etc.

曹春紅（1976—），女，吉林四平人，2005年于吉林大學獲得博士學位，現為東北大學副教授，主要研究領域為計算機圖形學，CAD等。已發表學術論文50余篇，主持國家自然科學基金、中國博士后科學基金等項目。

WANG Qingm in was born in 1989. She received the M.S. degree in computer application from Northeastern University in 2014. Her research interest is computer graphics.

王慶敏（1989—），女，山東濟寧人，2014年于東北大學獲得碩士學位，主要研究領域為計算機圖形學。

Using G lobal M ethod to Extract Poisson Foreground?

CAO Chunhong1,2,3+, WANG Qingm in1,2,3
1. College of Information Science and Engineering, Northeastern University, Shenyang 110819, China
2. Key Laboratory of Medical Image Computing of M inistry of Education, Northeastern University, Shenyang 110819, China
3. State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210023, China
+ Corresponding author: E-mail: caochunhong@ise.neu.edu.cn

Key words:Poisson algorithm; foreground extraction; global algorithm

Abstract:The image foreground extraction is using image processing algorithms to quickly and accurately extract the target image that people are interested in. The precision of image foreground extraction directly affects the subsequent processing of target image. In order to improve the accuracy of image foreground extraction, this paper proposes a new Poisson matting algorithm using global method. In order to improve the speed, this paper uses a diffusion-search method, and analyzes the effectiveness and accuracy of the algorithm. Diffusion method is to find the least cost sampling points by calculating the cost of each sampling point in a small neighborhood, it can obtain the optimal solution adjacent areas; Search method is to find the optimal sampling point by certain rules, it can accelerate the speed to find the optimal sampling point. Finally, the experiment proves that Poisson extraction algorithm based on global foreground w ill get more accurate results for foreground extraction.

doi:10.3778/j.issn.1673-9418.1506096 E-mail: fcst@vip.163.com

文獻標志碼：A

中圖分類號：TP391