基于贝叶斯抠图的图像背景虚化技术

李晓颖+周卫星+吴孙槿+李丹+胡晓晖

摘要：该文采用图像背景虚化处理技术来提高图像的表现力，突出前景在图像中的主要位置，表现图片的艺术效果，用图像处理的方法实现单反摄像机得到的背景虚化的效果。首先，利用用户自主输入的交互式贝叶斯抠图算法，分离出前景和背景区域。其次，通过均值滤波方法，将分割出来的背景区域模糊虚化。最后，将分割出的前景与经过虚化的背景做图像合成，产生一张有背景虚化的图片。该文提出的基于贝叶斯抠图的图像背景虚化技术的实现效果良好，实现了单反相机高质量的摄影效果，同时也可在携带便捷的平台上实现操作，为社会市场提供了优秀的技术支持。

关键词：交互式贝叶斯抠图算法；均值滤波；图像合成；图像背景；图像模糊

中图分类号：TP311 文献标识码：A 文章编号：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

图像背景虚化技术也称为浅景深技术，是摄影师们使用的一种能很好体现主体、表达视觉美感的一种摄影手段[1]。图像背景虚化技术通过虚化背景，不仅起到了突出强调前景的作用，同时也添加了图像的艺术气息。目前，对待图像虚化的探讨主要还是集中在如何反模糊方向上，例如著名的逆滤波复原法[2-4]，小波分析法，支持向量機法[5] 。

针对国内外的研究现状，本文提出基于贝叶斯抠图的图像背景虚化技术。首先，由人为交互式地表示出所选的前景和背景部分并利用贝叶斯抠图算法，将图像的前景部分和背景部分分割开来；利用均值滤波虚化图像的背景部分；最后把虚化后的背景部分和前景部分进行合并，得到前景清晰，背景模糊的图像背景虚化。

1 图像的前景与背景分割

1.1 图像抠图技术的基本原理

图像抠图技术的基本方法就是把一张完整的图像划分成两个区域：前景区域和背景区域。其中用户感兴趣的、受到关注的那一部分被称为前景部分；用户相对不感兴趣的、想忽略的部分称为背景部分。常用的几种图像抠图方法主要包括[6]：1.基于阈值的抠图方法；2.基于区域的抠图方法；3.基于边缘的抠图方法等。线性插值渲染技术的图像抠图公式如（1）式子所示[7]：

1.2 交互式的贝叶斯抠图

1.2.1 贝叶斯的基本原理分析

Bayes Mattting是在2011年被提出的一门图像处理技术，将图像分为：F（前景部分），B（背景部分）和C（未知部分）。“Bayes Mattting利用圆形的活动窗口获取未知区域中的像素，在未知区域范围内，采用从未知区域边界的像素点向未知区域内部逐渐移动的规律，从物体外延到内部逐步估计未知区域的各个像素的颜色值。最终，将未知区域中的像素分别细致地划分到前景区域或者背景区域中去，从而实现图像抠图的效果”[8]。如图2所示。

Bayes Mattting是一种交互式输入的抠图算法，用户确定区域输入的像素点的F、B、alpha值。用一个移动着的圆形窗口对未知部分的像素逐渐采样，圆形活动窗口的圆心点是待计算未知区域里的某一个像素点。可以通过调节圆形窗口的半径大小，尽量多的采集未知区域中的前景区域样本点与背景区域样本点，最终确保所有的样本点都可以近似实现各自的正态分布[9]。

未知区域像素值的数学模型符合高斯概率分布定律，其平均值为[C=αF+1-αB]，其与真实值C之间的差距可以满足标准的正态分布，公式中的[σ]表示标准差。

i称为当前像素点的邻接顶点，ai称作i点位置的alpha值。“对于给定前景色和相关权重，将颜色通过Bouman和Orchard的方法进行分簇”[10]。对于一个簇，可明确簇内的颜色变化的总趋势的方向，再将这个簇用一个平面分开，这个平面是一个垂直于簇内颜色变化方向的平面，并且是由穿过这个簇的颜色的平均值构成的[11]。每一个簇的加权协方差矩阵∑F和加权平均颜色`F的公式表示为：endprint

利用普通的画图工具将原图打开，由有色笔在原图中用不同的颜色标识出选定的前景区域和背景区域，用户通过标注确定选择的前景部分和背景部分的像素值，利用交互式的抠图算法，最终可实现预计的图像分割图，如图4所示：

在标志好前景与背景区域之后，将图片命名为dandelion_clipped_m的形式。

在Matlab平台仿真后，可实现图像的分割效果，图像的前景区域和背景区域如图5（a）、（b）、（c）所示：

从图像中可以清晰地看到绒毛分割处，在分割边界处每一根绒毛的分界显得格外分明，不再是模糊一片，该交互式的贝叶斯抠图技术实现了清晰分割毛发图像。

2 图像虚化技术

2.1 图像虚化技术的基本原理

所谓的图像虚化，就是将原本清晰的图像通过一定的信号滤波或者运动或者景深操作等作用之后，使得图像变得模糊，除掉图像中的某些不受关注的信息，使图像存储的信息量减少。

2.2 三种产生图像虚化的方法

2.2.1 均值滤波

滤波技术在图像处理方面的运用范围广，特别是在实现删除或者强调图像中的某些特征的技术领域。均值滤波技术的基本原理是：通过计算原图像各像素值的均值，用计算出的像素值的均值来替代原图像中的各个像素值，也就是说选用一个较为合理的模板来取代原图像中各个点的像素点（x，y）。这个模板由各个像素点近邻的若干像素计算产生，求模板里所有像素值的均值，再把这个均值赋予到当前的像素点（x，y）上，把它作为处理后图像在该点上的灰度值g（x，y），即[g（x，y）=1/mf（x，y）]，m是该模板里所有像素点的总个数。可以调节不同的像素点，产生不同强度的模板，进而生成不同程度效果的图像，详细情况如图6所示。

从图中可以对比出，图像的模糊程度逐渐递增，均值3图像呈现出来的清晰度远远弱于原图像呈现出来的效果。

3 前景与虚化的背景结合

此处可采用简单地加法运算将两张经过处理的图片相结合，生成一张完整的具有表现力的图像背景虚化处理效果图，经过图像背景虚化技术后的图片产生了明显的变化。比较图如图7所示。

4 结论

本文是基于贝叶斯抠图的图像背景虚化技术，利用交互式的贝叶斯抠图算法，将图像的背景部分和前景部分区分开；并利用均值滤波将图像的背景部分做模糊处理，而图像的前景部分不做处理；最后将图像的前景部分和虚化过后的背景部分合成。得到前景清晰，背景模糊的图像背景虚化效果。将单反摄像机利用光学成像的实现虚化的效果用图像处理技术实现，可在摄像、影视等行业得到广泛应用。

参考文献：

[1] 肖进胜，杜康华，涂超平，等.基于多聚焦图像深度信息提取的背景虚化显示[J].自动化学报，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] 殷国军，秦莉. 图像分割方法研究综述[J].河北工程技術高等专科学校学报，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.三种典型数字图像抠图方法的比较[D].广州：华南理工大学，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