基于权重控制和半监督学习的抠图算法
现如今数字抠图技术已成为视觉特效制作领域中的一项关键技术。它有着良好的应用前景，但仍然有较多的问题需要解决。目前主流的抠图算法是采样算法与传播算法相结合的抠图算法，但它们并未较好地平衡二者的相对作用；导向图的精细程度决定着抠图结果的好坏，但用户希望付出尽可能少的精力(导向图的精细程度较差)得到较好的抠图结果。针对这两个问题本文主要做了以下工作。 (1)为更好地平衡采样算法与传播算法在抠图过程中的相对作用，本文提出了权重控制抠图算法(对二者施加一组归一化权重)并给出了权重参数的经验取值区间。 (2)导向图中未知区域越小，算法的抠图性能越好。针对这一现象，我们提出了半监督学习抠图算法，其中包括预处理半监督学习抠图算法，迭代半监督学习抠图算法和预迭半监督学习抠图算法。预处理半监督学习抠图算法根据原始图像(待抠图像)信息与导向图信息，自动标记导向图中部分未知区域像素(减小未知区域)，然后根据原始图像与更新后的导向图进行抠图。迭代半监督学习抠图算法根据前次得到的抠图结果标记导向图中部分未知区域(减小未知区域)，将更新后的导向图重新代入抠图流程，这个过程迭代进行。预迭半监督学习抠图算法将预处理半监督学习抠图算法与迭代半监督学习抠图算法相结合。将三种半监督学习抠图算法分别与封闭式抠图算法，学习抠图算法，综合采样抠图算法和权重控制抠图算法相结合，使用标准抠图测试图像集进行抠图实验。实验结果表明，半监督学习算法提高了原有抠图算法的抠图性能。
半监督学习;权重控制;抠图算法;平衡采样
贵州师范大学
硕士
计算机科学与技术
曹永锋
2018
中文
TP391.41
47
2018-12-19（万方平台首次上网日期，不代表论文的发表时间）