Please enable Javascript to view the contents

Lazy Snapping

 ·  ☕ 2 分钟

Lazy Snapping是一种基于图的图像分割方法[1],能够将图像分割为前景和背景,通过用户交互挑选前景和背景种子,利用最大流最小分割的方法对图像进行分割。

1. 基本方法

文献中利用分水岭算法对图像进行预处理,这里我们直接将图像下采样到原分辨率的八分之一进行处理,然后求解以下优化问题:
$$
E(X)=\sum_{i\in\mathcal{V}}E_1(x_i)+\lambda\sum_{(i,j)\in\mathcal\varepsilon}E_2(x_i, x_j)
$$
其中,$E_1(x_i)$为似然能量,编码结点$x_i$的代价,$E_2(x_i,x_j)$为先验能量,代表邻接结点$x_i$和$x_j$的代价。

似然能量$E_1(x_i)$定义为:
$$
\begin{cases}
\begin{matrix}
E_1(x_i=1)=0&E_1(x_i=0)=\infty&\forall i\in\mathcal{F}
\end{matrix}\\\\
\begin{matrix}
E_1(x_i=1)=\infty&E_1(x_i=0)=0&\forall i\in\mathcal{B}
\end{matrix}\\\\
\begin{matrix}
E_1(x_i=1)=\frac{d_i^\mathcal{F}}{d_i^\mathcal{F}+d_i^\mathcal{B}}&E_1(x_i=0)=\frac{d_i^\mathcal{B}}{d_i^\mathcal{F}+d_i^\mathcal{B}}&\forall i\in\mathcal{U}
\end{matrix}
\end{cases}
$$

其中,$\mathcal{F}$表示前景种子集合,$\mathcal{B}$为背景种子集合,均由用户输入,而$\mathcal{U}$为补集。$d_i^\mathcal{F}$和$d_i^\mathcal{B}$分别表示当前颜色与前景种子平均值和背景种子平均值的距离平方

先验能量$E_2(x_i,x_j)$定义为:
$$
E_2(x_i,x_j)=\frac{1}{|C(i)-C(j)|^2+\varepsilon}
$$
实验中,取$\lambda=100$,$\epsilon=0.01$。

然后构建无向图,通过最大流最小割方法分离出前景和背景,提取轮廓得到结果

实验结果

原图像 交互图像 轮廓
m_src_image draw m_contour_map
m_src_image draw m_contour_map
m_src_image draw m_contour_map

参考文献

[1] Y. Li, J. Sun, C.-K. Tang, and H.-Y. Shum. Lazy snapping. ACM Transactions on Graphics (ToG), 23(3):303–308, 2004.

分享

Wenbo Chen
作者
Wenbo Chen
CG Student

目录