利用全局方法进行泊松前景提取*

曹春红，王庆敏



利用全局方法进行泊松前景提取*

曹春红1,2,3+，王庆敏1,2,3

1.东北大学信息科学与工程学院，沈阳110819
2.东北大学医学影像计算教育部重点实验室，沈阳110819
3.南京大学计算机软件新技术国家重点实验室，南京210023

ISSN 1673-9418 CODEN JKYTA8

Journal of Frontiers of Computer Science and Technology 1673-9418/2016/10(05)-0688-11

http://www.ceaj.org Tel: +86-10-89056056

* The National Natural Science Foundation of China under Grant No. 61300096 (国家自然科学基金); the Fundamental Research Funds for the Central Universities of China under Grant No. N130404013 (中央高校基本科研业务费专项基金).

Received 2015-06,Accepted 2015-08.

CNKI网络优先出版: 2015-09-02, http://www.cnki.net/kcms/detail/11.5602.TP.20150902.1103.006.htm l

CAO Chunhong, WANG Qingm in. Using global method to extract Poisson foreground. Journal of Frontiers of Com puter Science and Technology, 2016, 10(5)：688-698.

摘要：图像前景提取是运用图像处理算法快速准确地提取出图像中人们感兴趣的目标。图像前景提取的精度直接影响了对目标图像的后续处理。为了提高图像前景提取的精度，提出了一个新的利用全局方法进行Poisson前景提取的算法。为了能够更快更好地得到最优采样点，提出了扩散、搜索的方法，并对该方法的有效性和精确性进行了分析。扩散方法是通过在较小的邻域内计算各采样点的代价寻找代价最小的采样点，它能够得到邻近区域的最优解；搜索方法是通过一定的规则跳跃式地寻找最优采样点，它能够加快寻找最优采样点的速度。实验表明，基于全局的Poisson前景提取算法会得到更精确的前景提取结果。

关键词：泊松算法；前景提取；全局算法

1 引言

图像前景提取指的是对给定的一幅图像，快速准确地提取感兴趣的目标，以便于更换背景或者做其他的操作，它是数字图像处理中的重要操作，也是模式识别和计算机视觉的研究热点[1-4]。图像提取质量的好坏直接影响到后续图像的操作。

Poisson前景提取算法是经典的图像前景提取算法。该算法将自然图像透明度看作一个场，该场的边界被用户获得后，通过求解Poisson方程而得到参数值[5-14]。Poisson前景提取算法提取速率较快，对于较大的图像提取也能满足要求。但Poisson前景提取算法是选取距离最近的点作为未知像素的采样点，丢失了大量的候选采样信息，因此前景提取的结果可能会有瑕疵。

为了弥补Poisson前景提取算法的不足，最初的研究者通常将前景提取分为两个小步骤：第一步，采用Poisson前景提取算法对图像进行前景提取；第二步，对局部区域进行修复。这种做法虽然可以得到比较精确的提取结果，但是操作过程比较复杂。现在，对图像前景提取算法的研究主要集中在加快速度或者提高精确度上。例如：基于区域增长的Poisson前景提取算法虽然减少了人工交互，加快了速度，但是它的采样点范围小，导致提取结果不精确。同样，一些全局前景提取算法只通过扩大采样点的取值范围提高前景提取的精度，计算量增加，使得算法效率大大降低。

针对经典Poisson前景提取算法的缺点，本文提出基于全局的Poisson前景提取算法。为了能够更快更好地得到最优采样点，提出扩散、搜索的方法，并对扩散搜索的有效性和精确性进行分析。实验表明，基于全局的Poisson前景提取算法能得到更精确的前景提取结果。

2 Poisson方程与Poisson前景提取算法

Sun等人在“Poisson matting”中将一幅图像描述为：

式（1）中，I、F和B分别表示图像上一点的合成色、前景色和背景色；α是该点的alpha值。化简式（1）得：

3 基于全局的Poisson前景提取算法

Poisson算法是基于采样的。Poisson算法根据距离最近原则选择采样前景和采样背景，其仅是考虑了未知像素某个邻域内的采样点，这样会丢失一些好的采样点。本文提出的基于全局的Poisson前景提取技术将采样范围扩大到整个边界区域附近，并且考虑到图像中的极值点，为了提高查找最优采样点的速度，引进了扩散和搜索的方法，通过这些改进，人们可以更快更精确地得到前景提取图。

基于全局的Poisson前景提取算法是受文献[15]的启发。文献[15]主要是基于PatchMatch算法提出一个新的采样匹配算法。它将采样前景、采样背景看作一个采样对，通过对所有的候选前景、背景对循环进行扩散和搜索操作找到代价最小的最优前景、背景采样对，同时也找到最优的α。但是这种方法虽然经过扩散、搜索操作，候选的采样对数量仍然非常庞大，对于较大的图像来说计算速度非常慢。本文将Poisson算法和基于全局的前景提取算法结合，提出了基于全局的Poisson算法。优化了Poisson算法中对局部小细节的处理。同时为了加快速度，将候选前景采样点和候选背景采样点分开计算代价，进行排序、扩散、搜索操作，大大减少了计算复杂度，加快了算法处理速度。

3.1基于全局的前景提取算法的代价函数

根据图像的表达公式：

I=αF+(1-α)B（3）

对于一幅图像，人们仅知道图像上某像素的合成色I，前景色F、背景色B以及α均未知。若要根据式（3）求其中的一个未知变量，则为一个病态问题。因此，在前景提取中，对于不确定区域内的像素点，可以通过采样的方法确定前景和背景，从而近似地确定未知像素的α值。从直观上来看，被选择采样点的好坏取决于它与未知像素点颜色相似度的大小。在自然图像中，根据相邻的像素点具有相似的颜色值这一规律，可以将两个像素之间的距离大小作为判断这两个像素点相似性的标准之一。这个规律只适用于一般情况，对于亮度不平滑变化的自然图像，尤其是当图像中存在较多细节时不适用于这个规律。因此，选择采样点不能仅靠距离远近这一个标准，还要考虑最基础的颜色相似性。

本文定义代价函数ε来表示候选点代替未知像素点的代价。候选点的代价包含两个部分：一是颜色代价，二是距离代价。这里所要选取的候选点就是总代价最小的点，具体说，即为一定距离范围内离的较近且颜色也较相似的点。例如：距离范围为1时，在距离未知像素点小于等于1的范围内，即该未知像素点的上、下、左、右、左上、右上、左下、右下8邻域内寻找总代价最小的像素点作为候选点。

对于不确定区域中的一个未知像素I，设Fi、Bj分别为它的前景采样点和背景采样点。前景颜色代价和背景颜色代价分别用未知像素I的颜色和前景采样点Fi、未知像素I的颜色和背景采样点Bj组成的颜色的差值来表示。差值越小，表示这个采样点的颜色与未知像素点的颜色越相近，越能较好地描述未知像素。颜色代价为：

式（4）表示的是未知像素与前景采样点的颜色代价。式（5）表示的是未知像素与背景采样点的颜色代价。

式（6）表示的是未知像素与前景采样点的距离代价。式（7）表示的是未知像素与背景采样点的距离代价。其中XFi、XBj和XI分别表示前景采样点、背景采样点和未知像素的坐标值。DF、DB分别表示候选前景采样中与未知像素最近的距离以及候选背景采样中与未知像素最近的距离。这时，求出的距离代价εs的值均为相对值，不依赖于某个像素点具体的坐标。

前景采样点和背景采样点的总代价分别为：

其中ω表示颜色代价所占的比重。为了研究的方便，可以取ω=1。

对于任意未知像素，通过分别求解各个候选前景、候选背景的总代价来判断该采样前景、采样背景的优劣。总代价越小的前景、背景采样点，代替未知像素取得的效果就越好。

3.2基于全局的Poisson前景提取算法的候选采样集

基于全局的Poisson前景提取算法扩大了候选采样点的范围，将候选的采样点扩大到了整个边界。分别在前景边界和背景边界寻求最优的采样前景和采样背景。

基于全局的Poisson前景提取算法将候选的前景和候选的背景分别组成前景序列和背景序列。候选的前景采样点由内边界上以及离内边界m像素内的像素点组成。候选的背景采样点由外边界上以及离外边界m像素内的像素点组成。候选前景（背景）序列中的每个元素包含两部分的信息：颜色信息和坐标信息。同时，为了保证结果的准确性，候选采样对中考虑图像颜色突变的点，在候选前景（候选背景）中加入前景区域（背景区域）中颜色突变的奇异点。图1所示为一个前景序列点示意图（图1中不含奇异点）。

Fig.1 Distribution diagram about candidate foreground sequence图1 候选前景序列分布图

图1中，横坐标和纵坐标是某个像素点的位置坐标，标号是前景序列中的点。在实验中分别取m= 1,2,3，并对结果进行比较发现，当m=1时，即可取得比较好的实验结果。这里取m=1，既可以得到较好的提取结果，又可以使候选序列比较少，减少计算的复杂性。

得到候选前景、候选背景序列后，对于某个未知像素，可以分别在候选前景序列、候选背景序列中逐个计算采样点的总代价，通过寻找总代价最小的点就可以确定最优的前景采样点或背景采样点。但是对于一幅较大的图像，候选的采样前景、采样背景的数量非常大，为了计算一个未知像素，需要比较候选前景序列和候选背景序列中的每一个采样点。对于图像中的所有未知像素，计算量会更大。虽然图像不严格满足相邻的像素具有相似的颜色这一规律，但是对于两个颜色相似的候选采样对，与未知像素的距离越近，效果越好。本文选择的最优点总是距离相对近，颜色相似，即总代价最小。根据这个原理，不必要计算所有的候选采样点，只需要根据一定的规则，对候选的采样点进行随机抽取检验。这样，对于一个未知像素，大大减少了需要计算的候选采样点代价的个数。

为了使得随机搜索方法有效，搜索到的点具有代表性且有效，分别对候选前景序列和候选背景序列进行排序，使得颜色相近，距离相近的点相邻，其中排序采用颜色优先。排序后的前景、背景序列对分别为：F(F1,F2,…,Fn)，B(B1,B2,…,Bn)。配对方法将会用到后面的扩散、搜索过程。根据图像学的基础知识和实验结果可知选择坐标、颜色或者亮度对采样的结果影响不大。

一幅图像的候选前景和候选背景排序后的结果如图2所示。

Fig.2 Candidate foreground and background sequence ordered by lum inance图2 候选前景、背景序列按亮度排序

3.3未知像素的最优前景F和最优背景B的获得

得到有序的候选前景序列和候选背景序列后，需要选择最优的前景采样、背景采样。为了优化算法，得到更好的采样结果，本文运用了搜索、扩散的方法，这对于较大的图像提高算法速率有很大的帮助。

3.3.1初始化

根据Poisson方程，需要寻求最优的采样前景和采样背景。候选前景、候选背景的数量比较大，可以运用随机的方法分别选择一个前景点和背景点作为最优的采样前景和采样背景，分别记为Fi和Bj。分别计算出采样前景、采样背景的总代价，记为Φ1(Fi)、Φ2(Bj)，分别表示当前最小的前景总代价值和背景总代价值。

3.3.2扩散

经过初始化过程，为最优采样前景Fi和最优采样背景Bj以及它们的总代价Φ1(Fi)、Φ2(Bj)赋初值。扩散的目的是为了在初始采样点相邻区域内得到最优采样点。

根据图像的平滑性可知，需要找到相邻区域内的最优采样点。如果一个像素已经发现了一个好的采样点，这个采样点也可能是它相邻像素的最好值，具体可以通过扩散判断；如果这个采样点能有一个最小的代价，这个扩散利用相邻像素有相似的前景/背景颜色，可能寻找到更优的采样点。

下面是扩散方法的实现原理。找到当前最优的前景采样点/背景采样点后，检测该前景采样点/背景采样点周围的像素点，计算周围像素点的代价Φ1′(i′)/Φ2′(j′)，将这些像素点中代价最小的像素点赋值为Φ1(i)/Φ2(j)，即：

相邻像素具有相似的性质，如果一个像素已经发现了一个好的采样点，这个采样点也可能会是它相邻像素的最好值。通过扩散操作，可能会找到代价更小的采样点，从而精确采样的结果。

在扩散过程中，需要检测相邻各个像素点的总代价大小，选取代价最小的点为最优采样点。因为候选的采样点已经按照亮度排序，所以寻找的相邻像素是以当前最优采样点为中心的n邻域内的点。

扩散操作得到的是一个小邻域内的最优解，要想在整个候选的前景采样序列、背景采样序列中找到

最优解，只通过扩散方法是达不到的。如图3所示。

Fig.3 Limitation of diffusion method图3 扩散方法搜索局限性

图3中，初始位置为C，扩散方法只是在C点附近取值，它将在得到局部最优解A后停止。因为在A点无论向哪个方向小幅度移动都不能得到更优的解，这时会丢失真正的最优解B。为了防止陷入局部最优解，下节将详述搜索方法。

3.3.3搜索

对于一幅较大的图像，候选的前景采样点和候选的背景采样点的数量非常大。为了寻找不确定区域中未知像素的最优采样前景和最优采样背景，需要逐个计算它与候选前景采样点和候选背景采样点的总代价，计算量比较大。为了能够减少计算量，本文引进了扩散方法，但是扩散方法容易陷入局部最优解。为了得到更精确的结果，分别在有序的候选前景采样点和候选背景采样点上进行搜索操作。搜索操作在候选的采样点中按照一定的规则进行搜索，不需要计算全部的候选采样点。并且搜索操作可以快速地将最优前景采样点/最优背景采样点所在的区域缩小，减少计算过程。

本小节只针对未知像素在候选前景序列中的搜索过程进行讲解，它在候选背景序列中的搜索过程可以类似得到。

设定搜索方法的终止条件如下：找到当前邻域中最优前景采样点后，在确定下一个最优前景采样点时运用搜索方法。搜索方法在一个窗口内进行，窗口的大小呈指数形式缩小。搜索方法终止的条件为：Tβk<1或者k达到了最大取值。这个终止条件说明：当下一个最优前景采样点与当前最优前景采样点的距离小于1或者搜索次数达到规定的上限时算法停止。

3.3.4未知像素最优前景、背景采样点获得算法步骤

未知像素最优前景、背景采样点的获得是通过扩散、搜索循环操作得到的。扩散操作比较采样点以及采样点的邻域点，选择代价最小的点作为当前的最优采样点。然后进行搜索操作，寻求下一个可能的最优采样点。每一个搜索操作后都要进行扩散操作，直到满足搜索终止的条件。本文以某一未知像素I的最优前景采样点的获得为例，算法的具体步骤为：

（1）运用随机选择的方法产生一个前景采样点Fi，计算该前景采样点代替未知像素I的代价εi。令φ为最小代价，F为最优采样点，则φ=ε，F=Fi。

（2）设置初始的搜索窗口大小为T，迭代次数i=1。

（3）计算当前最优前景采样点F的各邻域的代价值，并判断这些代价值的大小，选择代价最小的采样点作为新的最优采样点F，φ为它的最小代价。

（4）根据搜索规则，确定下一个可能的最优前景采样点Fi+1，计算该采样点的代价εi+1。

（4.1）若εi+1<φ，F=Fi+1，φ=εi+1，T=Tβi，i=i+1；判断是否满足退出条件：T

①若满足退出条件，算法结束，退出。

②若不满足退出条件，返回步骤（3）。

（4.2）若εi+1>φ，判断是否满足退出条件：T

①若满足退出条件，算法结束，退出。

②若不满足退出条件，返回步骤（4）。

得到最优采样点后，还需要求解Poisson方程来求得α值，从而提取出前景。

3.4基于全局的Poisson前景提取算法步骤

基于全局的Poisson前景提取算法，将候选的前景采样点、背景采样点扩大到整个边界区域，在选取过程中既考虑了采样点的颜色信息，也考虑了距离信息，使选取的结果更加接近未知像素的真实值。

基于全局的Poisson前景提取算法具体步骤为：

（1）输入原始图像。

（2）人工选择内外边界，形成三分图，明确前景区域、背景区域和不确定区域。

（3）得到最优前景采样点和最优背景采样点。

（4）计算最优前景采样点和最优背景采样点的差值F-B。

（5）Gauss-Seidel迭代求各个像素点的α值。

（6）根据α值重新确定前景和背景区域。

（7）判断α的变化是否明显，并判断是否还有不确定区域的像素未被归为前景或背景。

4 算法实验与结果分析

4.1 Poisson算法和基于全局的Poisson算法采样点的比较分析

对于Poisson前景提取算法来说：α值与前景、背景采样点有关。前景、背景采样点的选取越好，前景提取的结果就越好，因此采样点的选取也是非常重要的。采样点最优即代价最小，通过对经典Poisson算法和全局Poisson算法采样点代价的比较来分析采样点的优劣。

本次实验中各项参数选择分别为：

（1）m=1，即候选的前景采样点由内边界上以及离内边界1像素内的像素点组成。候选的背景采样点由外边界上以及离外边界1像素内的像素点组成。

（2）扩散操作小邻域n=8。

（3）搜索窗口T为边长为50像素的矩形。

（4）搜索次数k=50。

图4～图6横坐标表示的是不确定区域中的所有未知像素点；纵坐标表示的是未知像素点最优采样前景的代价值。图7～图9横坐标表示的是不确定区域中的所有未知像素点；纵坐标表示的是未知像素点最优采样背景的代价值。本文对图4～图6进行分析，图7～图9类似。

Fig.4 Cost of unknown pixel’s optimal foregroundsampling point using global Poisson algorithm图4 全局Poisson算法未知像素最优前景采样点代价

Fig.5 Cost of unknown pixel’s optimal foreground sampling point using Poisson algorithm图5 Poisson算法未知像素最优前景采样点代价

Fig.6 Cost different value of optimal foreground sampling point between Poisson algorithm and global Poisson algorithm图6 Poisson算法与全局Poisson算法最优前景采样点代价差

Fig.7 Cost of unknown pixel’s optimal background sampling point using global Poisson algorithm图7 全局Poisson算法未知像素最优背景采样点代价

Fig.8 Cost of unknown pixel’s optimal background sampling point using Poisson algorithm图8 Poisson算法未知像素最优背景采样点代价

通过观察图4可知，基于全局的Poisson前景提取算法中，未知像素点的采样前景代价都在200以下，其中有很大数量的未知像素点的采样前景代价在100以下。图5中Poisson前景提取算法，未知像素点的采样前景代价大部分都在150～300之间。图6 是Poisson前景提取算法和基于全局的Poisson前景提取算法最优前景采样点代价的差值。从图中可以看到，它们的差值基本都大于0。这说明，基于全局的Poisson前景提取算法所找到的前景采样点要好于Poisson前景提取算法找到的最优前景采样点。

4.2基于全局的Poisson算法、Bayesian算法、Closed-Form算法实验比较分析

本次实验中，基于全局的Poisson前景提取算法和Bayesian前景提取算法采用的是三分图，即将输入图像分成前景区域、背景区域和不确定区域。Closed-Form算法采用的是Scribe方式，涂鸦感兴趣的区域。Scribe方法比三分图更简单，易于操作。本次实验中主要验证的是实验的精确性，因此忽略提取算法耗费的时间及操作简便性。

如图10所示，（a）为原图，（b）为三分图，（c）为Scribe，（d）、（e）、（f）分别为Bayesian、基于全局的Poisson、Closed-Form前景提取结果。从图中可以看到，基于全局的Poisson算法可以得到较精确的结果。

Fig.9 Cost different value of optimal background sampling point between Poisson algorithm and global Poisson algorithm图9 Poisson算法与全局Poisson算法最优背景采样点代价差

Fig.10 Contrast figures between Poisson algorithm,Bayesian algorithm and Closed-Form algorithm图10 基于全局的Poisson算法、Bayesian算法、Closed-Form算法比较

4.3 Poisson算法和基于全局的Poisson算法提取结果比较分析

Poisson算法通过采样点来估计未知像素的点。经典Poisson算法按照相邻的距离具有相似颜色的特点，通过寻找距离最近的采样点来估计未知像素的前景、背景以及α值。这种方法丢失了很大的候选采样点，可能造成结果不准确。基于全局的Poisson前景提取算法将候选采样点扩大到整个边界区域，这种方法可以提高采样点的准确性，从而使得前景提取效果更好。

由图11、图12可以看出，Poisson算法对于图像中细小的头发，尤其是当未知像素与前景之间有背景颜色时（如图13（a1）），会失效。图12中，（a1）、（b1），（a2）、（b2），（c1）、（d1）分别是图11中相应区域的放大显示。

图12中，（a1）是经过Poisson算法提取后得到的前景提取图，（b1）是经过全局Poisson前景提取算法后得到的前景提取图。观察图12中对应的原图区域可以发现，被划分到不确定区域中的头发1和确定的前景区域中间隔着背景区域颜色（蓝色）。（a1）没能顺利提取出头发1，Poisson前景提取算法失效，而（b1）可以较清晰地提取出这部分前景。这说明基于全局的Poisson前景提取算法能够有效处理前景较分离的图像。经典的Possion前景提取算法处理图11的时间为1.3 s，而本文基于全局的Poisson前景提取算法处理图11的时间为3.0 s。可见在处理速度上，本文基于全局的Poisson前景提取算法速度并不快，但本文算法可以解决经典算法有时候无法提取正确结果的问题。

图12中，（a2）是经过Poisson前景提取算法后得到的前景提取图；（b2）是经过全局Poisson前景提取算法后得到的前景提取图。比较（a2）和（b2）可以发现，（a2）边界比较模糊，（b2）边界比较分明。这时，虽然Poisson前景提取算法能够提取出部分前景，但是提取效果非常差。全局Poisson能较好地完成细节部分的前景提取。同理，可比较分析（c1）、（d1）。

图13、图14为一组背景相似的Poisson前景提取算法和基于全局的Poisson前景提取算法效果图。

Fig.11 Contrast figures between global Poisson algorithm and Poisson algorithm (1)图11 基于全局的Poisson前景提取算法与Poisson算法效果对比图（1）

Fig.12 Enlarged contrast figures between global Poisson algorithm and Poisson algorithm (1)图12 基于全局的Poisson前景提取算法与Poisson算法放大对比图（1）

Fig.13 Contrast figures between global Poisson algorithm and Poisson algorithm (2)图13 基于全局的Poisson前景提取算法与Poisson算法效果对比图（2）

由图14可知，图14（b）虽然也没能精确地提取出头发，但是和图14（a）相比有很大的改进。前景、背景相似的图像的提取效果不好是Poisson算法的普遍缺点，基于全局的Poisson算法对提取效果有些许改进。当前景区域与背景区域的颜色较为相似时，基于全局的Poisson前景提取算法的效果会有所下降。现有方法可以通过分析图像中部分对象的颜色特征和纹理特征来处理背景复杂图像的提取。可以将该方法用于此种情况。

Fig.14 Enlarged contrast figures between global Poisson algorithm and Poisson algorithm (2)图14 基于全局的Poisson前景提取算法与Poisson算法放大对比图（2）

实验中选取中国图库中的图像。中国图库拥有超过3 900万张图片素材，图片类型涉及人物、动物、风景、主题、动作、生活等。其中人物、动物、风景等图片类型中含有非常多的细节，并且图像背景较复杂。本文实验在这些类型中随机选取50幅图像进行测试，发现以下3种情况下基于全局的Poisson前景提取算法相对于经典Poisson前景提取算法效果良好的有效率达到95%：一是对于图像中的细节提取效果较好；二是当未知像素与前景之间有背景颜色时，经典Poisson算法通常会失效，而基于全局的Poisson前景提取算法能够较好处理；三是基于全局的Poisson前景提取算法能够实现前景较分离图像的提取。

5 总结

本文对Poisson前景提取算法进行了分析实现，提出了改进的基于全局的Poisson前景提取算法，提出了代价函数，针对改进算法中最优采样点的寻找提出扩散、搜索操作。实验表明，基于全局的Poisson算法较经典Poisson算法效果有明显的改善。今后可以从以下几个方面进行研究：（1）当图像中前景区域和背景区域的颜色相似时，基于全局的Poisson前景提取算法的提取效果下降。（2）基于全局的Poisson前景提取算法需要比较所有的候选采样点，计算量较大，造成前景提取速度有所降低。怎样加快提取速度也需要深入研究。

References:

[1] Porter T, Duff T. Compositing digital images[J]. Computer Graphics, 1984, 18(3): 253-259.

[2] Pham D L, Xu Chenyang, Prince J L. Current methods in medical image segmentation[J]. Annual Review of Biomedical Eengineering, 2000, 2(1): 315-337.

[3] Boykov Y, Jolly M-P. Interactive graph cuts for optimal boundary region segmentation of objects in N-D images [C]//Proceedings of the 2001 International Conference on Computer Vision, Vancouver, Canada, Jul 2001: 105-112.

[4] Wang Li, Li Chunm ing, Sun Quansen, et al. Active contours driven by local and global intensity fitting energy w ith application tobrainMRimagesegmentation[J].Computerized Medical Imaging and Graphics, 2009, 33(7): 520-531.

[5] Wang Pei. Research and improvement on the foreground extraction algorithms[D]. XiƳan: Xidian University, 2012.

[6] Shahrian E, Rajan D. Weighted color and texture sample selection for image matting[C]//Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition, Providence, USA, Jun 16-21, 2012. Piscataway, USA: IEEE, 2012: 718-725.

[7] He Bei, Wang Guijin, Ruan Zhiwei, et al. Local matting based on sample-pair propagation and iterative refinement [C]//Proceedings of the 2012 19th IEEE International Conference on Image Processing, Orlando, USA, Sep 30-Oct 3, 2012. Piscataway, USA: IEEE, 2012: 285-288.

[8] Jin Meiguang, Kim B-K, Song W-J. Adaptive propagationbased color-sampling for A lpha matting[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2014, 24(7): 1101-1110.

[9] Zeng Zim ing, Wang Jue, Tiddeman B, et al. Unsupervised tumour segmentation in PETusing local and global intensityfitting active surface and alpha matting[J]. Computers in Biology and Medicine, 2013, 43(10): 1530-1544.

[10] Xue Jianru, Wang Le, Zheng Nanning, et al. Automatic salient object extraction w ith contextual cue and its applications to recognition and alpha matting[J]. Pattern Recognition, 2013, 46(11): 2874-2889.

[11] Levin A, Lischinski D, Weiss Y. A closed-form solution tonatural image matting[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, 30(2): 228-242.

[12] Berman A, Dadourian A, V lahos P. Method for removing from an image the background surrounding a selected object: USA, 6134346[P]. 2000.

[13] Hillman P, Hannah J, Renshaw D. A lpha channel estimation in high resolution images and image sequences[C]//Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway, USA: IEEE, 2001: 1063-1068.

[14] Schluns K, Koschan A. Global and local highlight analysis in color images[C]//Proceedings of the 2000 Conference on Color Graphics Image Processing, 2000, 1: 300-304.

[15] He Kaim ing, Rhemann C, Rother C, et al.A global sampling method for alpha matting[C]//Proceedings of the 2011 IEEE Conference on Computer Vision and Pattern Recognition, Providence, USA, Jun 20-25, 2011. Piscataway, USA: IEEE, 2011: 2049-2056.

附中文参考文献：

[5]王培.前景提取算法的研究与改进[D].西安:西安电子科技大学, 2012.

CAO Chunhong was born in 1976. She received the Ph.D. degree in computer application from Jilin University in 2005. Now she is an associate professor at Northeastern University. Her research interests include computer graphics and CAD, etc.

曹春红（1976—），女，吉林四平人，2005年于吉林大学获得博士学位，现为东北大学副教授，主要研究领域为计算机图形学，CAD等。已发表学术论文50余篇，主持国家自然科学基金、中国博士后科学基金等项目。

WANG Qingm in was born in 1989. She received the M.S. degree in computer application from Northeastern University in 2014. Her research interest is computer graphics.

王庆敏（1989—），女，山东济宁人，2014年于东北大学获得硕士学位，主要研究领域为计算机图形学。

Using G lobal M ethod to Extract Poisson Foregroundƽ

CAO Chunhong1,2,3+, WANG Qingm in1,2,3
1. College of Information Science and Engineering, Northeastern University, Shenyang 110819, China
2. Key Laboratory of Medical Image Computing of M inistry of Education, Northeastern University, Shenyang 110819, China
3. State Key Laboratory for Novel Software Technology, Nanjing University, Nanjing 210023, China
+ Corresponding author: E-mail: caochunhong@ise.neu.edu.cn

Key words:Poisson algorithm; foreground extraction; global algorithm

Abstract:The image foreground extraction is using image processing algorithms to quickly and accurately extract the target image that people are interested in. The precision of image foreground extraction directly affects the subsequent processing of target image. In order to improve the accuracy of image foreground extraction, this paper proposes a new Poisson matting algorithm using global method. In order to improve the speed, this paper uses a diffusion-search method, and analyzes the effectiveness and accuracy of the algorithm. Diffusion method is to find the least cost sampling points by calculating the cost of each sampling point in a small neighborhood, it can obtain the optimal solution adjacent areas; Search method is to find the optimal sampling point by certain rules, it can accelerate the speed to find the optimal sampling point. Finally, the experiment proves that Poisson extraction algorithm based on global foreground w ill get more accurate results for foreground extraction.

doi:10.3778/j.issn.1673-9418.1506096 E-mail: fcst@vip.163.com

文献标志码：A

中图分类号：TP391