人像 matting 系列综述

本次针对人像的 matting 算法做些简单的调研和介绍。

参考一介绍了部分 matting 算法，也展示了一部分的效果。

自己尝试了 closed form matting、alpha matting、knn matting、shared matting 。

这里有一个迪士尼出的影像级 matting 算法论文和介绍，视频中对比了各种算法的效果。链接，效果好的出奇，也符合影像级的要求了，还能解决目标身上的绿色晕染的问题，确实厉害。

image matting是一个专门整理和对比各类 matting 算法的网站，可以从这里找到一些参考和思路。

貌似大部分的 matting 都需要有2张图，一张原图，另一张要么是 scribble image，要么是 trimap。scribble需要交互式的划出前景和背景图，trimap 一般比较难生成，除了一些提到用膨胀腐蚀来生成以外，似乎真实的场景下，如果想直接做 matting 的话，很难拿到 trimap 的结构，感觉非常的学术研究用途（蛋疼）。

抠图的问题，本质上是要求解
$I_i=α_iF_i+(1−α_i)B_i$

由于前景F 和背景 B 都是未知，约束不足（under-constrained），要求解 $α$ ，就得有用户输入提示（有 trimap 和 scribbles 两种，起始是给出了 $α$ 的初始估计，scribbles更简洁）和图像分布假设。

closed form matting介绍(2008 PAMI)

推导过程
 源码可见
灰度图的处理：需要假设 F 和 B 是局部平滑的，由此可以得到需要求解的问题变成：
$J(α) = α^TLα$
$L$ 即 matting laplace 矩阵，重要矩阵，正定且稀疏。最小二乘法求解 $L$ 。

彩色图的处理：有3个通道，假设图像符合 color line model，即假定子窗口内的前景和背景像素值不是固定的，而是位于一条直线上。同样是要求解 $L$ 。

$L$ 的求解是image 独立的，只跟input image 有关，跟其他无关。之后计算用户输入约束下的优化问题，略；
注：计算巨慢无比，500*333分辨率大概也得20-30s。

knn matting

推导过程
 源码可见
跟前面的灰度图的假设一致，且，matting laplace 矩阵的定义也一致。重点是提出了一种新的矩阵 $L$ 的求解方式，即基于 KNN 的拉普拉斯矩阵计算方法。

定义像素的特征向量，计算相似度矩阵（取每个像素的 k 近邻），然后求解拉普拉斯矩阵，最后求解线性方程的解，即是 $\alpha$ 。

shared(alpha) matting

源码有多个版本，可以在 github 上搜索下
核心：速度加快。确实比较快一些，800*563的图，整个过程大概<10s，不过这里是 c++版本测试的，可能本身就比前面的 python 版本快。
引：

搜索过程：之所以叫 shared matting ，是因为在选择（前景-背景）候选集的时候，并不是每个未知像素都搜索以自己为中心的整个圆形区域。而是把圆分成了很多扇形，相邻像素搜索不重叠的扇形区域。避免了大面积搜索，同时由于相邻像素的 (alpha, F, B)值近似，因此将相邻像素的搜索结果（候选集）拿来共用，共同估计出当前像素的(alpha, F, B)。