之前接触过语义分割，所以在刚接触图像抠图时以为两者是差不多。语义分割是端到端的，对像素按照语义进行多分类，而抠图就是按照前景和背景进行二分类嘛？实际上这是错误的理解。语义分割重在对每个像素的语义理解，将相同语义的像素分割为同一个部分，得到的结果就是若干个块状，至于块与块之间是否衔接自然则不考虑。抠图只将图片分成前景和背景两块，目的是拿到前景，好的抠图算法会对于头发等细节的处理效果比较精确。分割和抠图的另一个重要区别是分割是返回像素分类结果，分类结果是整型；而抠图返回的是属于前景或背景的概率p，在前景与背景交互区域会产生渐变的效果，使得抠图更加自然。
　　抠图技术的核心问题是解以下公式：Ii = αFi + (1-α)Bi，其中Ii是图像当前可观察的像素，为已知量；α是透明度，F是前景像素，B是背景像素，这三个变量为未知量。对于这个公式的理解，可以把原始图像看做是前景和背景按照一定权重（α透明度）叠加组成的。对于完全确定是前景的像素，α = 1；对于完全确定是背景的像素，α = 0；对于不确定是前景还是背景的像素，α是介于0到1之间的浮点数。
　　以下是各种图的效果：第一行从左到右分别是原图，trimap图，α图；第二行从左到右分别是原图，草图，α图；
　　

　　深度学习如火如荼，我们也可以把抠图算法按照是否使用DL分为传统方法和运用CNN的方法。以下是几种经典的传统方法：

Poisson Matting

　　该方法通过对matting等式观察后发现，两边求导可以得到以下式子：
　　
　　假设∇F和∇B很小时，式子简化成如下的形式：
　　
　　于是我们能得到这样一个能量方程：
　　
　　其中Ω指的就是不确定区域。上述问题可以很自然地转成微分方程去做，具体地，转为泊松方程求解。泊松方程有一个非常美妙的定理，即如果指定了边界上的Dirichlet条件或者Neumann条件，那么泊松方程在区域内的解是唯一可确定的，因此当我们知道不确定区域内的密度函数，和边界上的α值，我们就可以计算出这个区域内的α值。
　　另外，F和B是未知的，在这里采用最近邻的方法来确定F和B的值，随后使用filter平滑F-B，来保证F-B的变化不会太突兀。整个算法是一个迭代式的算法，通过多次迭代，来保证α 达到一个比较稳定的状态。

Bayes Matting

　　该方法将matting问题直观表示为贝叶斯形式，即：
　　
　　Ｌ是取对数，由于概率都是[0,1]，如果大量概率连乘，在计算机中的表示会变为0，同时由于P(C)是常量，因此可以忽略。
　　接下来，对 L(C|F,B,α ),L(F),L(B),L(α ) 建模，对于L(F)，要建立的是前景颜色的概率分布，表示当前选定的F概率有多大。论文中使用一种聚类方法，来对前景的颜色分布建模。对于L(B)，直接使用L(F)的定义。对于 L(α )，假设α 的分布是平均的，因此我们可以在MAP中忽略这一项。
　　最后求解这个MAP问题，对于凸优化问题，可以直接使用导数为0的方式求解。由于α 会和F、B相乘，因此这个MAP问题比较难，所以论文采用两段法求解，先固定 α 求解F、B，随后固定F、B，求解 α ，迭代这个过程，直到结果比较稳定。

Learning Based Digital Matting

　　随着机器学习的兴起和数据集的丰富，关于matting的工作也转为了数据驱动的思路，这里介绍半监督学习方法。其核心在于给定标记数据的情况下，预测结果不止和标记数据有关，还和未标记数据有关，更精确地说，和数据的相对位置有关。如果能建立一种α 和像素点颜色的映射，那么给定一个像素点，就能通过它的颜色来预测 α。论文两个假设：

1. 任何未知像素的 α，是周围像素 α 的线性组合，从而我们可以将这种线性组合关系表达为矩阵的形式，注意：在这里使用了半监督学习中相对位置的概念；
2. 假设 α 和该像素点的颜色向量呈线性相关关系；

　　于是，对于每一个点的 α，我们期望使用周围像素 α 的线性组合来预测，这个线性组合的参数，又是通过学习得到的，这个学习的过程，就是建立 α 和颜色特征向量之间相关关系的过程。

Closed form matting

　　封闭式表面抠图假定局部颜色分布遵循color line model，其中局部窗口内的颜色可以表示为两种颜色的线性组合。基于这个假设，Levin导出了matting Laplacian，证明了前景的alpha matte可以在没有明确估计前景和背景颜色的情况下以封闭的形式求解。从那以后，matting Laplacian被广泛地用作正则化来增强估计的alpha matte和其他应用的平滑性。该方法的优点是参数少，多数图像满足color line model的假设；不足就是假设失效的情况也是比较多的。

KNN matting

　　KNN抠图属于非局部抠图，其目标是通过允许alpha值在非局部像素中传播来解决matting Laplacian的局限性。类似于closed form matting，非局部抠图也对采样的非局部像素进行了假设。它假定像素的α值可以通过具有相似外观的非局部像素的α值的加权和来描述。在非局部抠图中，相似的外观由颜色，距离和纹理相似性来定义。然而，由于非局部像素的比较，其计算非常高。KNN matting通过仅考虑高维特征空间中的前K个近邻而改善了非局部抠图。它通过仅考虑颜色和它们特征空间中的位置相似性来减少计算。优点也是参数少，易于调整；不足是定义一个通用的特征空间是困难的。

Deep Learning Methods

　　笔者主要关注基于深度学习，尤其是CNN的方法实现抠图，以下是相关顶会论文的介绍，如果可能，将会持续更新。

• 《Natural Image Matting Using Deep CNN》ECCV 2016
• 《Deep Automatic Portrait Matting》 ECCV 2016
• 《Deep Image Matting》CVPR 2017

Reference：
Image Matting（抠图）技术介绍：序言
天干物燥，小心抠图 —— A journey of matting