CN106023222A - 一种基于融合的数字抠图方法 - Google Patents

Abstract

一种基于融合的数字抠图方法，包括：S1、对于待处理的图像I∈R^m×n，获取l个算法在该图像上的alpha值α^(k)∈R^m×n,k＝1，2，…，l；S2、根据定义的引力函数，利用S1输出的l个抠图算法的结果，计算引力值矩阵；S3、根据权重算法，利用S1输出的l个抠图算法的结果，计算不同抠图方法的权重；S4、利用S2输出的引力值矩阵和S3输出的不同抠图方法的权重，计算加权的引力值矩阵；S5、根据S4输出的加权引力值矩阵计算初始的融合抠图结果；S6、将S5输出的初始融合抠图结果代入提出的考虑平滑约束的图像抠图优化问题，计算得到最终的融合结果。本发明能够融合不同抠图算法的抠图结果，从而获得更精确的数字抠图效果。

Description

一种基于融合的数字抠图方法

技术领域

本发明涉及一种基于融合的数字抠图方法，属于计算机视觉领域。

背景技术

数字抠图技术的目的在于，给定一幅图像，精确地从图像的背景中提取前景物体，并得到分离前景和背景的alpha蒙板图像。然而，在已知条件仅为一幅图像的情况下，抠图问题具有严重的欠约束性，因此通常需要一定的用户交互，如三值图和涂鸦，来获得一些前景或背景像素的标记信息。即使给定已标记的像素，抠图仍然是一个病态的问题。于是研究者们对原始问题添加额外的约束来使问题可解，例如假设相邻的像素之间有着相近的alpha值。

目前的抠图方法主要分为基于采样的方法和基于传播的方法。基于采样的方法认为，未标记像素的alpha值可通过采样周围标记像素的alpha值来近似；基于传播的方法认为，位置邻近且颜色相近的像素，通常有着相似的alpha值，因此通过构造亲近矩阵，来递推求解抠图问题。

(1)在IEEE Conference on Computer Vision and Pattern Recognition 2001年会议论文集第258至264页，题目为：“A bayesian approach to digital matting”的文章中，提出一种基于采样的抠图方法，构造了可以拟合图像颜色分布的参数模型来实现数字抠图。该方法适用于未知的图像像素与前景轮廓较近而且未知的区域相对较小的情况。然而，这种情况在实际问题中极少出现。

(2)在British Machine Vision Conference 2008年会议论文集中第1卷第2号，题目为：“Improving color modeling for alpha matting”的文章中，提出一种依据颜色空间的测地距离收集样本的颜色模型，提高了抠图的准确度。但是，这种基于采样的方法的抠图质量依赖于所收集的样本的质量，当未知的像素不在真实的前景和背景的颜色样本集中时，算法性能会快速退化。

(3)在ACM Transactions on Graphics 2004年第23卷第3号第315至321页，题目为：“Poisson matting”的文章中，假设在忽略前景图像和背景图像颜色的局部变化的情况下，抠图图像的梯度与图像梯度是成正比的。该方法在满足这种假设的图像中取得了良好的效果。但是，现实图像都比较复杂，所该方法的假设不是一直成立的。

(4)在IEEE Transactions on Pattern Analysis and Machine Intelligence2008年第30卷第2号第228至242页，题目为：“A closed-form solution to natural imagematting”文章中，依据前景和背景颜色具有局部平滑的假设，提出一种二次损失函数，通过求解这个二次函数获得最优的alpha图。但是这种基于仿射的方法不能够精确的处理图像中具有尖锐边界的情况。

当前景和背景差别大时，基于采样的方法通常能取得较好的结果。然而，当真实的前景和背景像素未被完全采样到时，这种方法不能成功地提取alpha图。相比之下，基于传播的方法通常考虑像素的局部连续性来求解问题，而不是直接利用前景和背景像素值。它对用户输入不敏感，但容易导致过平滑的抠图结果。

经过多年的研究，现有的许多方法在一些特定的假设条件下有着很好的效果，例如，简单的背景，较清晰的前景边缘或者当前景与背景在颜色和纹理上有很大的差别时。然而，自然图像可能包含任意形状或纹理的前景和背景。目前的方法很难单独地应对所有的复杂情况。因此，需要一种抠图算法，能综合不同算法的抠图结果，取长补短，来获得更好的抠图效果。

发明内容

本发明的目的克服现有抠图方法很难单独地应对复杂抠图情况，致力于通过融合不同抠图算法来获得更优的抠图结果，提出了一种基于融合的数字抠图方法。

一种基于融合的数字抠图方法，包括以下步骤：

S1、对于待处理图像，获取l个算法在该图像上的alpha值；

其中，所述的待处理图像，记为I∈R^m×n，l个算法在该图像上的alpha值，记为：α^(k)∈R^m×n，k＝1，2，…，l；且所述的alpha值为图像抠图结果；

所述的l个算法可以为基于聚类采样的抠图(Cluster-Based Sampling matting,CBS)、基于局部和非局部平滑先验的抠图(image matting with Local and NonlocalSmooth Priors，LNSP)、基于迭代直推学习的抠图(Iterative Transductive Learningfor alpha matting，ITL)、基于综合采样集的抠图(improving image matting usingComprehensive Sampling Sets，CSS)、基于加权颜色纹理样本选择的抠图(WeightedColor and Texture Sample Selection for image matting，WCTS)、基于支持向量回归的抠图(learning based alpha matting using Support Vector Regression，SVR)、基于稀疏编码的抠图(Sparse Codes as alpha Matte，SCM)、颜色聚类抠图(Color ClusteringMatting，CCM)、共享采用实时抠图(Shared Sampling for Real-Time alpha Matting，SSRTM)、基于全局采样的抠图(a Global Sampling method for alpha Matting，GSM)以及基于局部和非局部颜色线模型的抠图(Local and Nonlocal Color Line Models forimage matting,LNCLM)算法中的全部或者其中的几个；

获取l个算法在该图像上的alpha值α^(k)∈R^m×n，k＝1，2，…，l；

所述的alpha值为图像抠图结果；

S2、对于S1中待处理图像中的每一个像素计算融合结果与其图像抠图结果之间的引力值矩阵；

其中，S1中待处理图像中的某一个像素用p_i,j表示，i＝1,2,...,m,j＝1,2,...n；，S2中的融合结果记为c_i,j，定义此融合结果c_i,j与第k个抠图算法结果之间的引力值为：

定义此融合结果c_i,j与第k个抠图算法结果之间的引力值为：

$t_{i,j}^{\left(k\right)}\left(c_{i,j}{\mathrm{\α}}_{i,j}^{\left(k\right)}\right)=\exp (-\frac{{({\mathrm{\α}}_{i,j}^{\left(k\right)}-c_{i,j})}^2}{{\mathrm{\σ}}^2})---\left(1\right)$

其中，σ为比例参数，其范围为0.01到100；进一步的，遍历所有像素点，可以得到每个算法的引力值矩阵t^(k)(c，α^(k))，k＝1,2,...,l；

S3、根据权重算法，利用S1输出的l个抠图算法结果，计算不同抠图方法权重；

具体步骤为：

S3.1、使用不同的抠图算法在训练图像集中，计算其中每幅训练图像的抠图结果；

其中，S表示所有的训练图像集，其中，每幅训练图像s的大小为m_s×n_s，个数为|S|个；

S3.2、根据S3.1输出的每种算法在训练图像集S上的抠图结果，计算每种算法的权重；其中，基于下述公式(3)和公式(2)计算第k种算法权重w_k：

w_k＝∑_s∈S diff(k，s)， (2)

$diff(k,s)={\Σ}_{i=1}^{m_s}{\Σ}_{j=1}^{n_s}\exp (-\frac{{({\mathrm{\α}}_{ij}^{\left(k\right)\left(s\right)}-G_{ij}^{\left(s\right)})}^2}{{\mathrm{\σ}}^2})---\left(3\right)$

其中，diff(k，s)表示第k种算法在图像s上的误差，G^(s)表示s的真实alpha图像，α^(k)(s)为第k种抠图算法对图像s的抠图结果；

S4、利用S2输出的引力值矩阵与S3输出的不同抠图方法权重，计算加权引力值矩阵；

具体为：利用S2输出的l个不同抠图引力值矩阵t^(k)，k＝1,2,...,l和S3输出l个不同的抠图方法权重w_k，k＝1,2,...,l，计算加权引力值矩阵；其中每个元素T_ij(c)为：

$T_{ij}\left(c\right)={\Π}_{k=1}^l(w_k\×t_{i,j}^{\left(k\right)}(c_{i,j},{\mathrm{\α}}_{i,j}^{\left(k\right)}\left)\right))={\Π}_{k=1}^l(w_k\×\exp (1-\frac{{({\mathrm{\α}}_{ij}^{\left(k\right)}-c_{i,j})}^2}{{\mathrm{\σ}}^2}\left)\right);---\left(4\right)$

其中，∏表示连乘符号；进一步的，遍历所有像素点，可以得到一个加权引力值矩阵T；

S5、根据S4输出的加权引力值矩阵计算初始的融合抠图结果；

S6、将S5输出的初始融合抠图结果代入考虑平滑约束的图像抠图优化问题的目标函数中，通过最小化该目标函数，计算得到最终的融合结果；

其中，目标函数为E_T＝E_data(α)+λE_smooth(α)，E_data(α)是数据项，E_smooth(α)是平滑项；

至此，从S1到S6完成了一种基于融合的数字抠图方法。

有益效果

本发明一种基于融合的数字抠图方法，与其他抠图算法相比，具有如下有益效果：

本发明所提出的一种基于融合的数字抠图方法，能够融合不同抠图算法的抠图结果，从而获得更精确的数字抠图效果。

附图说明

图1为本发明一种基于融合的数字抠图方法的算法流程图；

图2为本发明一种基于融合的数字抠图方法实施例中三种抠图算法得到的抠图结果；

图3为本发明一种基于融合的数字抠图方法实施例中三种方法的抠图结果对应的引力值矩阵；

图4为使用拉普拉斯平滑方法时的拉普拉斯矩阵、未平滑的融合结果和拉普拉斯平滑后的最终抠图融合结果；

图5为使用轨迹优化方法时的方法索引矩阵以及经过轨迹优化平滑后的最终抠图融合结果。

具体实施方式

以下通过具体实施例详细描述本发明的实施方式，实施例不作为对本发明的保护范围的限制。

图1为本发明一种基于融合的数字抠图方法的算法流程图；如图所示，首先在待处理图上运行多种算法获取各自的抠图结果，然后计算每种算法的引力值及权重，组成加权引力值矩阵，在此矩阵的基础上获得初始的图像融合结果，然后通过解优化问题获得最终的融合结果。

实施例1

步骤1对于待处理的宽高大小为7×7图像，分别获取ICBS、LNSP、ITL三种抠图算法在该图像上的alpha值α⁽¹⁾,α⁽²⁾和α⁽³⁾，图2中从上到下显示的依次是ICBS、LNSP、ITL这三种算法得到的抠图结果，alpha值；

步骤2对于S1中待处理图像中的每一个像素计算融合结果与其图像抠图结果之间的引力值矩阵；

为了尽可能准确地融合所有alpha图像，我们定义一种引力场来衡量融合结果的准确性；对于待处理像素p_ij，i＝1，2，…7，j＝1，2，…，7，假定融合结果为c_i，j，那么，该融合结果与某一抠图算法的结果之间的引力值定义为：

$t_{i,j}^{\left(k\right)}\left(c_{i,j}{\mathrm{\α}}_{i,j}^{\left(k\right)}\right)=\exp (-\frac{{({\mathrm{\α}}_{i,j}^{\left(k\right)}-c_{i,j})}^2}{{\mathrm{\σ}}^2});$

其中，σ为比例参数，本实施例中σ取值为1；进一步的，遍历所有像素点，可以得到每个算法的引力值矩阵t^(k)(c，α^(k))，k＝1,2,...,7；

图3中，从上到下显示的结果分别为采用ICBS、LNSP以及ITL抠图算法求得的引力值矩阵。

步骤3根据权重算法，利用步骤1输出的ICBS、LNSP以及ITL抠图算法的抠图结果，计算不同抠图方法的权重；

令S表示所有训练图像的集合，集合中每幅图像s的大小为m_s×n_s＝7×7，个数为|S|个，令G^(s)表示s的真实alpha图像，α^(k)(s)为第k种抠图算法对图像s的抠图结果，则第k种算法的权重w_k，k＝1,2,...,7，计算如下：

w_k＝∑_s∈S diff(k，s)，

$diff(k,s)={\Σ}_{i=1}^7{\Σ}_{j=1}^7\exp (-\frac{{({\mathrm{\α}}_{ij}^{\left(k\right)\left(s\right)}-G_{ij}^{\left(s\right)})}^2}{{\mathrm{\σ}}^2});$

其中，∑表示求和符号,diff(k，s)表示第k种算法在图像s上的误差，G^(s)表示s的真实alpha图像，上述公式中G^(s)的下标表明第i行第j列元素，α^(k)(s)为第k种抠图算法对图像s的抠图结果；

步骤4利用步骤2输出的引力值矩阵和步骤3输出的不同抠图方法的权重，计算加权引力值矩阵T，其中矩阵T的每个元素T_ij(c)计算为：

$T_{ij}\left(c\right)={\Π}_{k=1}^7(w_k\×t_{i,j}^{\left(k\right)}(c_{i,j},{\mathrm{\α}}_{i,j}^{\left(k\right)}\left)\right))={\Π}_{k=1}^7(w_k\×\exp (-\frac{{({\mathrm{\α}}_{ij}^{\left(k\right)}-c_{i,j})}^2}{{\mathrm{\σ}}^2}\left)\right)$

其中，Π表示连乘符号；进一步的，遍历所有像素点，可以得到一个加权引力值矩阵T；

图3中从上到下依次为步骤1所述的ICBS、LNSP以及ITL三种方法的抠图结果对应的引力值矩阵；

步骤5根据步骤4输出的加权引力值矩阵计算初始的融合抠图结果；

在像素点p_i，j最优的初始alpha值取值为

${\mathrm{\α}}_{ij}^{*}={\mathrm{\α}}_{ij}^{k*},$

$k^{*}=\arg {\max }_k{T}_{ij}\left({\mathrm{\α}}_{ij}^{\left(k\right)}\right);$

其中，argmax_k表示使得后面式子结果最大时k的取值；进一步遍历所有像素点，整幅图像的初始alpha取值为α^*；

步骤6将步骤5输出的初始融合抠图结果代入考虑平滑约束的图像抠图优化问题，计算得到最终的融合结果；加入alpha图的平滑性约束后的目标函数可以表示为：

E_T＝E_data(α)+λE_smooth(α)，

其中E_data(α)是数据项，通过最小化该能量函数，得到的最终alpha值更接近不同算法加权投票后的结果；E_smooth(α)是平滑项，通过最小化该能量函数，获得的alpha图能有更好的平滑性，从而更接近自然图像的抠图结果；

T(α^*)表示图像各像素处的引力值拉成的向量，即D＝diag(T(α^*))，其中diag(·)是一个向量对角化算子，即将括号中的向量转换成一个对角矩阵，将数据项建模为：

E_data(α)＝(α-α^*)^TD(α-α^*)；

其中，(·)^T表示括号内的向量或矩阵的转置；

基于拉普拉斯矩阵的平滑项建模为：

E_smooth(α)＝α^TLα；

其中，L是一个(m_s×n_s)×(m_s×n_s)＝49×49的方阵，其第i行第j列个元素取值为：

$L_{ij}={\Σ}_{p|(i,j)\∈w_p}({\mathrm{\δ}}_{ij}-\frac{1}{\left|w_p\right|}(1+\frac{1}{\frac{\mathrm{\ϵ}}{\left|w_p\right|}+{\mathrm{\σ}}_p^2}\left(I_i-{\mathrm{\μ}}_p\right)\left(I_j-{\mathrm{\μ}}_p\right)\left)\right)$

其中，∑是求和符号，μ_p和为像素p周围窗口w_p内所有像素值的均值和方差，窗口w_p的宽高大小为5×5，|w_p|为窗口内的像素个数，ε是预定的常数，本实施例取值为0.1，δ_ij是一个克罗内克函数，即如果i≠j，则δ_ij＝0，否则，δ_ij＝1；I_i和I_j分别表示窗口w_p内的第i个和第j个像素的值；

最终的alpha值可通过最小化E_T来获得，即：

α＝arg min_α α^TLα+λ(α-α^*)^TD(α-α^*)；

arg min_α表示使得后面式子结果最小时α的取值；

图4为使用拉普拉斯平滑方法时的拉普拉斯矩阵、未平滑的融合结果和拉普拉斯平滑后的最终抠图融合结果；

至此，从步骤1到步骤6完成了一种基于融合的数字抠图方法。

实施例2

实施例1中基于拉普拉斯的平滑项可以改为基于轨迹优化的平滑项；相应的数据项定义为：

$E_{data}\left(\mathrm{\α}\right)={\Σ}_{i=1}^7{\Σ}_{j=1}^7-ln\left(T_{ij}\right(\mathrm{\α}\left)\right)$

其中ln表示取自然对数的操作算子；

平滑项用于去除初始融合结果的噪声，并使得最终的alpha图像更平滑。我们在每个像素p_ij处定义一个惩罚函数：

$Q_{ij}({\mathrm{\α}}_{st},{\mathrm{\α}}_{ij})={({\mathrm{\α}}_{ij}^{\left(k_{st}\right)}-{\mathrm{\α}}_{ij})}^2,$

其中k_st表示在像素p_st处的获得初始融合结果的算法获得的索引，α_st表示alpha图中第(s，t)个位置的alpha值，α_ij表示alpha图中第(i，j)个位置的alpha值，表示像素p_ij邻域的像素组成的集合；当邻域内像素的alpha值是由同一种算法获得时，该像素处的惩罚函数Q_ij的值为0；当这些邻域像素的alpha值分别由不同的算法产生时，Q_ij的值就会很大；我们认为某种算法得到的抠图结果是已经经过平滑的，如果相邻像素的alpha值大多来自于同一种算法，则抠图的结果应该是更加平滑的。由此，我们定义能量函数中的平滑项为：

$E_{smooth}\left(\mathrm{\α}\right)={\Σ}_{i=1}^7{\Σ}_{j=1}^7{Q}_{ij}$

为了减少计算复杂度，对于邻域我们在优化过程中仅考虑p_i，j-1，p_i-1，j-1和p_i-1，j这三个像素；我们采用基于动态规划的轨迹优化算法来求解该融合抠图问题。轨迹优化分为两个过程，第一个过程，所有像素点处的能量项将被顺序地计算出来，同时保存使能量项最小的抠图方法索引矩阵；在第二个过程，通过反向轨迹优化搜索来获得最终的平滑结果；

第一个过程从图像左上角的像素开始，计算所有像素上对应不同方法的能量值，如下m×n×l个能量项被计算出来：

$E(1,1,k)=-ln\left(T_{11}\right({\mathrm{\α}}_{11}^{\left(k\right)}\left)\right),$

$F(1,j,k)=-ln\left(T_{1j}\right({\mathrm{\α}}_{1j}^{\left(k\right)}\left)\right)+{\mathrm{\λmin}}_{k^{\′}}\left\{Q_{1j}({\mathrm{\α}}_{1j}^{\left(k^{\′}\right)},{\mathrm{\α}}_{1j}^{\left(k\right)})\right)+E(1,j-1,k^{\′})\},$

，

$E(i,j,k)=-ln\left(T_{ij}\right({\mathrm{\α}}_{ij}^{\left(k\right)}\left)\right)+{\mathrm{\λmin}}_{k^{\′}}\left\{Q_{ij}({\mathrm{\α}}_{ij}^{\left(k^{\′}\right)},{\mathrm{\α}}_{ij}^{\left(k\right)})\right)+E_{min}(i,j,k^{\′})\},$

E_min(i，j，k′)＝min{E(i，j-1，k′)，E(i-1，j-1，k′)，E(i-1，j，k′)}；

其中，min表示取最小值，E是一个三维数组能量矩阵，的前两个索引表示像素的位置，第三个索引表示抠图算法的序号；在计算以上能量值的过程中，两个索引矩阵：

方法索引矩阵K∈R^m×n×4和方向索引矩阵H∈R^m×n被同时保存下来，其中R表示实数空间；在每个像素p_ij处，K的4个通道分别表示使像素p_ij，p_i+1，j，p_i，j+1，p_i+1，j+1处的能量项取得最小值的方法索引(在{1，2，…，N}中取值)；方向索引矩阵H的每个元素从{0，1，2，3}中取值，H_ij取值为1，2，3分别表示p_i-1，j，p_i-1，j-1，p_i，j-1之一，影响了p_ij处能量项的取值；然而当p_ij位于图像边角处时，其能量值可能仅仅取决于其本身，此时H_ij的值设为0；最终的能量矩阵记为E^*；

第二个过程从图像的右下角像素开始，通过反向搜索最优轨迹来获得最终的平滑结果。在这个过程中，得到最终结果的方法索引矩阵I∈R^m×n被记录下来。I(i，j)的计算方式如下：

I(m，n)＝K(m，n，0)

I(m，j)＝K(m，j，H_m，j+1)

I(i，n)＝K(i，n，H_i+1，n)

其中&表示且，if表示如果。当所有的I(i，j)都被计算出来后，每个像素p_ij处的最优alpha值取为即可得最终融合的alpha图像。轨迹优化平滑得到的最终alpha图像如附图5所示。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、局部改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于融合的数字抠图方法，其特征在于：

一种基于融合的数字抠图方法，包括以下步骤：

S1、对于待处理图像，获取l个算法在该图像上的alpha值；

S2、对于S1中待处理图像中的每一个像素计算融合结果与其图像抠图结果之间的引力值矩阵；

S3、根据权重算法，利用S1输出的l个抠图算法结果，计算不同抠图方法权重；

S4、利用S2输出的引力值矩阵与S3输出的不同抠图方法权重，计算加权引力值矩阵；

S5、根据S4输出的加权引力值矩阵计算初始的融合抠图结果；

S6、将S5输出的初始融合抠图结果代入考虑平滑约束的图像抠图优化问题的目标函数中，通过最小化该目标函数，计算得到最终的融合结果；

至此，从S1到S6完成了一种基于融合的数字抠图方法。

2.如权利要求1所述的一种基于融合的数字抠图方法，其特征还在于：

S1中所述的待处理图像，记为I∈R^m×n，l个算法在该图像上的alpha值，记为：α^(k)∈R^m×n，k＝1，2，…，l；且所述的alpha值为图像抠图结果。

3.如权利要求1所述的一种基于融合的数字抠图方法，其特征还在于：

S1中所述的l个算法可以为基于聚类采样的抠图(Cluster-Based Sampling matting,CBS)、基于局部和非局部平滑先验的抠图(image matting with Local and NonlocalSmooth Priors，LNSP)、基于迭代直推学习的抠图(Iterative Transductive Learningfor alpha matting，ITL)、基于综合采样集的抠图(improving image matting usingComprehensive Sampling Sets，CSS)、基于加权颜色纹理样本选择的抠图(WeightedColor and Texture Sample Selection for image matting，WCTS)、基于支持向量回归的抠图(learning based alpha matting using Support Vector Regression，SVR)、基于稀疏编码的抠图(Sparse Codes as alpha Matte，SCM)、颜色聚类抠图(Color ClusteringMatting，CCM)、共享采用实时抠图(Shared Sampling for Real-Time alpha Matting，SSRTM)、基于全局采样的抠图(a Global Sampling method for alpha Matting，GSM)以及基于局部和非局部颜色线模型的抠图(Local and Nonlocal Color Line Models forimage matting,LNCLM)算法中的全部或者其中的几个。

4.如权利要求1所述的一种基于融合的数字抠图方法，其特征还在于：

S1中待处理图像中的某一个像素用p_i,j表示，i＝1,2,...,m,j＝1,2,...n；假定S2融合结果为c_i,j，定义此融合结果c_i,j与第k个抠图算法结果之间的引力值为：

其中，σ为比例参数，其范围为0.01到100；进一步的，遍历所有像素点，可以得到每个算法的引力值矩阵t^(k)(c，α^(k))，k＝1,2,...,l。

5.如权利要求1所述的一种基于融合的数字抠图方法，其特征还在于：

S3中根据权重算法，利用S1输出的l个抠图算法结果，计算不同抠图方法权重，具体步骤为：

S3.1、使用不同的抠图算法在训练图像集中，计算其中每幅训练图像的抠图结果；

其中，S表示所有的训练图像集，其中，每幅训练图像S的大小为m_s×n_s，个数为|S|个；

S3.2、根据S3.1输出的每种算法在训练图像集S上的抠图结果，计算每种算法的权重；其中，基于下述公式(3)和公式(2)计算第k种算法权重w_k：

w_k＝∑_s∈Sdiff(k，s)， (2)

其中，diff(k，s)表示第k种算法在图像s上的误差，G^(s)表示s的真实alpha图像，α^(k)(s)为第k种抠图算法对图像s的抠图结果。

6.如权利要求1所述的一种基于融合的数字抠图方法，其特征还在于：

S4、利用S2输出的引力值矩阵与S3输出的不同抠图方法权重，计算加权引力值矩阵，具体为：利用S2输出的l个不同抠图引力值矩阵t^(k)，k＝1,2,...,l和S3输出l个不同的抠图方法权重w_k，k＝1,2,...,l，计算加权引力值矩阵；其中每个元素T_ij(c)为：

其中，Π表示连乘符号；进一步的，遍历所有像素点，可以得到一个引力值矩阵T。

7.如权利要求1所述的一种基于融合的数字抠图方法，其特征还在于：

S6中的目标函数为E_T＝E_data(α)+λE_smooth(α)，E_data(α)是数据项，E_smooth(α)是平滑项。