很多公式和图传起来比较麻烦，其实这是一篇论文(仅参考)
图像和视频抠图(Matting)技术可以分成自动和半自动；根据背景的先验知识，又有蓝屏背景，已知背景，和自然背景扣图。报告介绍了自然背景下的半自动扣图，以及能获得类似结果的技术，如Snapping。其中我实现了Bayesian Matting。
Image Matting是将图像的背景和前景分离的技术，广泛用于图像合成和影视特技制作中。最早的技术在如蓝色绿色等单色背景下将前景物体分离，之后通过已知自然背景包含和剔除前景物体的两幅图像求解，类似的是同一个前景物体在多个背景下的多幅图像，最新的技术都是处理自然背景的单幅图像的半自动学习方法，包括将Image Matting的技术应用到视频，可以将运动的物体抠出，并合成到任意场景中。报告主要介绍半自动学习技术。
所谓半自动，是因为实现用户必须在图像上预先指定三个区域(Trimap)：背景(黑色)、前景（白色）、未知区域（灰色），图1(b)。根据已知确定的前景背景，半自动技术才能一边学习一边求解。当然也有其它的交互方式，不一定需要这么详致的信息，在2.3和2.4种都是特殊的更为简化的交互。
Matting一般基于公式1，C为未知点的颜色， 是透明度，B是背景色，F是前景色：
Bayesian Matting (BM)定义一个Bayesian框架来公式化Matting的参数，并求解一个最大后验问题。BM的改进还在于，通过滑动的窗口，将已经计算出来的未知区域也作为样本数据，这样在过渡区域获得更好的效果。BM的记过比之前所有的方法都要好。
2.1. Poisson Matting [2] (Siggraph 2004)
Poisson Matting(PM）是在图像的亮度梯度场上求解一个泊松方程，确定 。PM首先在全局上求解，得到的结果通过多种局部滤波方式选择性的改进。由于给了用户更多的交互手段，处理复杂的场景比BM更加稳定
2.2.1泊松方程
将公式1表示为公式11，对公式11两边求偏导数得到公式12。左侧对应的就是输入图像的亮度梯度，只是估计值。假定背景和前景都是比较光滑的，那么项 近似为零，公式12变换成公式13，这对 的梯度估计，PM就是在这个梯度场上解出 。
相应的泊松方程是公式14，是拉普拉斯算子，div是散度运算。其狄利克雷边界条件 定义如公式15，其中代表未知区域的外边界，前景，背景，如图2(a)。
图2
2.2.2全局求解
这也是一个迭代优化，有三个步骤：
1) 初始化（F-B）项，因为F和B未知，分别近似为在 中最邻近的像素。
2) 计算 ，求解公式14。
3) F，B优化，使，即把几乎全部是前景色的像素加入到 ；类似的，。然后将 中的F，B更新到在 和 与之最近的像素颜色。
重复步骤2，3，直到 的变化足够小或 和 为空。
2.2.3局部优化
局部优化事实上在全局求解结果不令人满意的区域加入用户的交互，使得对 梯度的估计更加准确，同时加入全局求解中被忽略的 项，如图2(b)区域 。此时的边界条件是公式16，
2.1. GrabCut-Interactive Foreground Extraction using Iterated Graph Cuts [3](Siggraph 2004)
GrabCut与上诉两种Matting不太一样，首先是在先验知识的获取上，只需要用户在前景物体周围画一个方框；其次，GrabCut分成两个步骤，一是前景背景分割，二在膨胀的边界上在真正的Matting，平滑过渡。GrabCut在对比度较低的边界能获得比以往技术更好的结果，但是并不能处理复杂的情况，比如大面积的交错毛发，这是因为第一步的分割不能在这些区域获得好结果。
2.3.1 数据模型
GrabCut的数据模型建立在GraphCut的基础上，只是用了一个高斯混合模型(Gaussian Mixture Model)代替原先的直方图，与Bayesian Framework类似。
对于输入图像z = (z1,…,zn,…,zN)，透明值表示成 =( ,…, )，,若是强分割，，0表示背景，1是前景。GrabCut附加了一个向量k = (k1,…,kn,…,kN), 到图像z，代表来自背景或前景的一个GMM。于是，定义Gibbs能量：
能量E包含了数据项和平滑项。数据项U(公式18)定义了 的分布与输入z的匹配程度，其中。 是一个高斯概率分布, 是混合权系数；通过对数函数将乘法和指数运算转化成加减法，全部展开为公式19。 分别是高斯分布的均值和协方差矩阵。
于是，公式19相关的所有参数：
于是，我们要估计 ，通过动态规划最小化以下Gibbs能量：
最后，估计的前景色与已知的前景色比较，将差异最小的复制到当前区域，进一步保证平滑。
2.4.1 GraphCut图像分割
图像被看成一个图， ， 是所有的节点， 是连接相邻节点的边。图像分割可以当作一个二元标记问题，每一个 ，有唯一的一个 {前景为１，背景为０}与之对应。所有的 集合X可以通过最小化Gibbs能量E(X)获得：
同样的，根据用户画的曲线，我们有前景节点集Ｆ和背景节点Ｂ，未知节点集U。首先用K-Mean方法将F，B的节点聚类，计算每一个类的平均颜色， 代表所有前景类的平均颜色集合，背景类是 。计算每一个节点i到每一个前景类的最小距离，和相应的背景距离 ，定义公式28：
前两组等式保证定义与用户输入一致，第三组等式意味着与前背景的颜色相近度决定着未知点的标记。
E2定义为与梯度相关的一个函数：
E2的作用是减少在颜色相近的像素之间，存在标记变化的可能，即使其只发生在边界上。
上述作用于像素的GraphCut因其效率并不适合实时交互。于是[4]在输入图像上进行预先作了过分割，然后把每一块当作一个像素来看待，颜色取均值，速度提升了10倍。
一、 References
[1] Chuang, Y.-Y., Curless, B., Salesin, D. H., Szeliski, R. 2001. A bayesian approach to digital matting. In Proceedings of CVPR 2001, Vol. II, 264-271.
[2] Jian Sun, Jiaya Jia, Chi-Keung Tang and Heung-Yeung Shum. Poisson Matting.In Proceedings of ACM SIGGRAPH 2004, Vol 23, No. 3, April 2004.
[3] ROTHER, C., BLAKE, A., AND KOLMOGOROV, V. 2004. Grabcut - interactive foreground
extraction using iterated graph cuts. In Proceedings of ACM SIGGRAPH 2004.
[4] Yin Li, Jian Sun, Chi-Keung Tang, Heung-Yeung Shum, 2004, Lazy Snapping, In Proceedings of ACM SIGGRAPH 2004.