基于图像多尺度分解的前景提取

王 斌， 何 坤， 王 丹

(四川大学计算机学院， 成都 610065)

1 引 言

图像前景是指图像中用户感兴趣的语义对象，该对象是分析和理解图像内容的基础.由于图像内容理解受限于用户认知，因此其前景因人而异.为了提取用户指定的前景，研究者结合用户交互，根据图像低层特征提出了大量的算法，如随机游走[1]，水平集方法[2-4]和图论技术[5]等. 然而，图像中的纹理、弱边缘和低对比度使得现有算法难以得到理想结果.

近年来，深度学习[6-7]通过训练卷积神经网络自适应地从训练集中挖掘图像的多尺度特征，并成功运用于图像前景提取.但是，深度学习需要海量的前景样本训练神经网络参数，而实际上，前景样本数量是有限的，这导致深度学习的前景提取效果较差.同时，该方法不能成功提取训练集中未包含的前景，因为缺乏学习样本.

基于图论的前景提取模型利用图像边缘和前、背景颜色分布构建了能量泛函，运用图割算法从图像中提取前景. 现有前、背景颜色分布模型可分为局部直方图[8-9]和高斯混合模型[10]，前者虽然显式表示为前、背景像素的亮度分布，但其准确性依赖于人机交互量和图像亮度分布.相比于前者，高斯混合模型极大简化了用户交互量，它将前、背景像素颜色分布表示为固定个数的高斯函数加权和[10].每个区域的像素分布对应一个高斯函数，其参数在前景提取过程中估计区域像素的一阶原点矩和二阶中心矩.高斯混合模型可有效刻画卡通图像的前、背景颜色分布，但对于自然图像其准确性受到纹理的负面影响.其原因是：1) 纹理加剧了区域颜色变化，降低了二阶中心矩估计精度；……