影像去背(英语:Image Matting),是指借由计算前景的颜色和透明度,将前景从影像中撷取出来的技术,可用于替换背景、影像合成、视觉特效,在电影工业中被广泛地使用。影像中的每个像素会有代表其前景透明度的值,称作阿法值(英语:Alpha),一张影像中所有阿法值的集合称作阿法遮罩(英语:Alpha Matte),将影像被遮罩所涵盖的部分取出即可完成前景的分离。

影像去背的主要工作就是求得精确的阿法遮罩,而影像常有无法人工标示的部分,例如:人的发丝或是动态模糊的部分,一种简单的解决方法是先人工标定出影像的“Trimap”,再由演算法计算出阿法遮罩以完成影像去背。[1]

名词定义

编辑

阿法遮罩(Alpha Matte)

编辑

阿法遮罩,是代表对于影像前景透明度的遮罩,大小和影像相同,遮罩中每个像素的值为相应的影像像素的阿法值(英语:Alpha)。阿法值为1代表该像素属于前景,0则代表该像素属于背景。阿法值也可能介于0,1之间,表示对应到的影像像素为半透明,例如烟雾、动态模糊。

Trimap

编辑

一张影像的“Trimap”,是指将影像中的每个像素划分为三种区域:前景(英语: Foreground)、背景(英语:Background)和待确认(英语:Unknown)。演算法会将标定好的前景和背景当成已知,再借由颜色等资讯将待确认区域中的像素标为前景或背景。

去背问题

编辑

常见去背问题可分为单色去背(英语:Constant-color Matting)、差异去背(英语:Difference Matting)和自然影像去背(英语:Natural Image Matting)三种。

单色去背

编辑

影像的背景为已知且为单一颜色,通常为较容易处理的蓝色或绿色。一般在拍摄电影,需要替换背景时,会在蓝幕或绿幕前拍摄,就是为了要将去背简化为最容易的单色去背,让后制的工作更容易且有效率。

差异去背

编辑

影像的背景为已知但不是单色,可以先将相机固定,拍摄完已知的背景后,再拍摄加入人物的影像,把两影像相减后即可得到粗略的前景,故称之为差异去背。相减的方法虽然简单,但得出的前景再边界部分容易出错,可再借由演算法进行优化。

自然影像去背

编辑

影像的前景背景没有限制,是最一般化也最困难的去背问题。通常会由人工将影像标定为前景、背景和待确认三种区域,演算法再由已知的前景、背景颜色,去推算待确认区域中的每个像素属于前景或是背景。

演算法

编辑

可大致分为两类:取样法(英语:Sampling-based)和传播法(英语:Propagation-based)。

取样法会对影像的局部区域取样,从已知资讯计算出该区域的阿法遮罩。常见的方法有贝式去背景法(英语:Bayesian Matting)。

传播法是指借由分析整张影像的特性,像是颜色、梯度等,来直接求得整张影像遮罩的方法。常见的方法有帕松去背景法(英语:Poisson Matting)、罗氏去背景法(英语:Robust Matting)等。

贝氏去背景法(英语:Bayesian Matting)

编辑

以贝氏机率模型计算最大后验概率,对前景、背景及阿法值同步进行优化,使用有向高斯共变异数(Oriented Gaussian Covariances)能有效的推估颜色的分布。贝氏去背的优点是机率模型简单又符合直觉,去背效果良好。其限制是需要良好的“Trimap”,当影像的前后景关系变得复杂时,贝氏去背的效果会显著下降。[2]

帕松去背景法(英语:Poisson Matting)

编辑

帕松去背分为两步,一是从影像中算出遮罩近似的梯度场,二是借由解帕松等式(Poisson Equation),从遮罩的梯度场求得遮罩。当前景和背景颜色接近时,帕松去背容易出错,此时能够以更多的使用者输入,用区域的帕松去背来进行优化。[3]

稳健性去背景法(英语:Robust Matting)

编辑

通常在有品质好的“Trimap”的情况下,取样法可以得到较好的遮罩;但在前后景关系复杂,“Trimap”品质不佳时,取样法的效果会迅速衰减。稳健性去背景法会先进行取样,得到遮罩后再进行优化,进而结合取样法和传播法的好处。[4]

其他技术

编辑

在实作上,可以借由增加观测资讯,让去背景变得更加容易。

红外线的使用

编辑

在拍摄时,同时使用一般镜头和红外线镜头,借由红外线照片所得到的资讯,将同时拍摄的一般照片当中的人与背景分离。

闪光去背

编辑

在拍摄时,拍下使用闪光灯和没有使用闪光灯各一张,闪光灯会明显改变前景的亮度,但对背景的影响较小,借由分析有无闪光的两张照片,来完成影像去背。分析照片时能使用上述演算法,如贝氏闪光去背(Joint Bayesian Flash Matting)。[5]

参考文献

编辑
  1. ^ Digital Visual Effects lecture by Yung-Yu Chuang
  2. ^ Yung-Yu Chuang, Brian Curless, David H. Salesin, and Richard Szeliski. A Bayesian Approach to Digital Matting. In Proceedings of IEEE Computer Vision and Pattern Recognition (CVPR 2001), Vol. II, 264-271, December 2001. [2017-06-30]. (原始内容存档于2022-05-07). 
  3. ^ Jian Sun, Jiaya Jia, Chi-Keung Tang, Heung-Yeung Shum. Poisson Matting (PDF). [2017-06-30]. (原始内容 (PDF)存档于2006-09-16). 
  4. ^ Jue Wang, Michael F. Cohen. Robust Matting : The robust tool for natural image segmentation and matting. [2017-06-30]. (原始内容存档于2020-07-03). 
  5. ^ Jian Sun, Yin Li, Sing Bing Kang, Heung-Yeung Shum. Flash Matting