基于显著图的图像背景虚化方法与流程

本发明涉及数字图像处理邻域，更具体地，涉及到图像的特效、渲染和美化等方面。

背景技术：

图像背景虚化是图像渲染、美化、增强等任务中很常见的处理过程，它能够很有效地突出景物和淡化背景信息，从而提升视觉效果。目前，某些图像处理软件较好地完成这一处理，但是其处理方法都依赖于人对前景区域的手工标注，无法自动完成，不便于大批量处理；此外，现有技术模糊的扩散方式均为规则形状，难以适应复杂多变的图像内容。

技术实现要素：

本发明提出一种基于显著性检测的背景虚化处理算法，通过计算机自动完成背景虚化处理，以实现现有技术难以达到的在目标识别和模糊扩散形状方面的自适应。本发明的技术方案如下：

所提出技术的实现先要完成显著图的生成和二值化，目前已有多项技术能够完成这一过程。虽然对于场景复杂的图像的处理效果存在瑕疵，但由于本技术实现了模糊形状的自适应，对于显著性检测的失效区域仍能做出较好的处理，故实施过程中对显著图生成并无十分苛刻要求。所提出算法的大致过程参见图1。其具体细节如下：

一种基于显著图的图像背景虚化方法，包括下列步骤：

(1)通过显著性检测得到图像的显著图，再将显著图进行二值化或分割处理得到0-1矩阵M_BS，同时得到前景索引矩阵I_f和背景索引矩阵I_b，定义如下：

I_f＝M_BS，I_b＝1_m×n-M_BS

其中，1_m×n为与图像分辨率相同的全1矩阵。

(2)利用距离加权平均算法实现图像的全局模糊，这种模糊处理的表达式如下，

其中，即两个像素坐标(X_i,X_j),(Y_i,Y_j)之间的空间距离，x∈{R,G,B}，分别表示RGB空间的红、绿、蓝三个颜色通道，p_jx表示在通道x下的第j个像素；c_ix表示第i个像素在颜色通道x中的颜色值。σ_B为常数控制图像模糊敏感度大小；为实现模糊扩散形状的自适应，这里根据各个像素值到显著目标的最近距离计算模糊半径，并量化到a—b之间的整数，R(p_j)表示像素p_j的邻近区域，计算公式如下：

其中，round函数表示四舍五入取整，max和min分别表示取最大和最小值，r(p_j)为该像素到显著目标区域的距离，用下面式子计算：

r(p_j)＝min{d_s(p_j,p_k)|p_j∈B,p_k∈F}

其中，B和F分别为图像中的背景和目标区域，即前景索引矩阵中为0和为1的像素点；

(3)利用前景索引矩阵和背景索引矩阵融合原图和模糊图，设原图和模糊图分别表示为I_o和I_B，分别提取出清晰前景图I_cF和模糊背景图I_bB，

I_cF(i,x)＝I_o(i,x)·I_f(i,x)

I_bB(i,x)＝I_B(i,x)·I_b(i,x)

二者的叠加即为最终处理结果。

从标准数据库中选取了一些前景与背景分割度明显的，因未充分对焦而背景清晰的图像进行本发明的背景虚化处理，结果如图2所示。从实验效果上看，本发明算法能十分有效地保持前景区域并迷糊背景区域，全过程无需人手工标注。算法简单高效，具有高度自动性，利用MATLAB平均每处理一幅图(分辨率400*300)仅需0.143s。此外，现有的手工标注方法一般只能以规则形状扩散模糊区域，难以适应复杂图像，而本发明提出的算法可以令人满意地解决这一问题。本发明算法具有较高的自适应性，相比于手动方法具有很大的优势。

附图说明

图1本发明的流程图。

图2几组本发明的执行结果示例图，每一行为一组，左列图均为原图；右列图均为背景虚化结果图。

具体实施方式

所提出技术的实现先要完成显著图的生成和二值化，目前已有多项技术能够完成这一过程。虽然对于场景复杂的图像的处理效果存在瑕疵，但由于本技术实现了模糊形状的自适应，对于显著性检测的失效区域仍能做出较好的处理，故实施过程中对显著图生成并无十分苛刻要求。所提出算法的大致过程参见图1。其具体细节如下：

1、用较为成熟的显著性检测技术得到图像的显著图，再将显著图进行二值化或分割得到0-1矩阵M_BS，同时得到前景索引矩阵I_f和背景索引矩阵I_b，定义如下：

I_f＝M_BS，I_b＝1_m×n-M_BS

其中，1_m×n为与图像分辨率相同的全1矩阵。

2)利用一种距离加权平均算法实现图像的全局模糊，相比于邻域处理算法，这样的处理能使背景色彩均一化更为明显，使背景虚化结果更好。这种模糊处理的表达式如下，

其中，即两个像素坐标(X_i,X_j),(Y_i,Y_j)之间的空间距离，x∈{R,G,B}，分别表示RGB空间的红、绿、蓝三个颜色通道。p_jx表示在通道x下的第j个像素。c_ix表示第i个像素在颜色通道x中的颜色值。σ_B为常数控制图像模糊敏感度大小。为实现模糊扩散形状的自适应，这里根据各个像素值到显著目标的最近距离计算模糊半径，并量化到a—b之间的整数。R(p_j)表示像素p_j的邻近区域，计算公式如下：

其中，round函数表示四舍五入取整，max和min分别表示取最大和最小值。r(p_j)计算该像素到显著目标区域的距离，用下面式子计算：

r(p_j)＝min{d_s(p_j,p_k)|p_j∈B,p_k∈F}

其中，B和F分别为图像中的背景和目标区域，即前景索引矩阵中为0和为1的像素点。通过计算后，每一个像素的颜色值将与邻近像素的颜色值更加接近，而且图像全局颜色也会更加平均化，平滑度有效增加。

3、最后，利用前景索引矩阵和背景索引矩阵融合原图和模糊图。设原图和模糊图分别表示为I_o和I_B，分别提取出清晰前景图I_cF和模糊背景图I_bB，

I_cF(i,x)＝I_o(i,x)·I_f(i,x)

I_bB(i,x)＝I_B(i,x)·I_b(i,x)

二者的叠加即为背景虚化算法的最终处理结果。

I＝I_bB+I_cF

下面结合实施例进行说明。首先获取一定量的待处理图像，再利用计算机编程依次完成技术方案中所给出的每一步计算。试验中采取的参数为：a＝3,b＝8,σ_B＝5，即模糊半径根据像素位置限制为3—8个像素值，模糊敏感度系数设置为较低。实验的具体结果请参考图2。对于复杂的场景目标，如人物、动物等，其肢体形状复杂度较高，难以通过固定形状扩散模糊的同时保持目标完整性，但本发明解决了这一问题，对已第1、3幅测试图像，较好地增加了背景模糊度，但并未使得形状分布不一的肢体清晰度受损，很好地完成了前景和背景的景深分离，从而相比于为良好对焦的原图，更能突出场景核心目标。