![](https://csdnimg.cn/release/download_crawler_static/87487805/bg5.jpg)
0.25∼0.950.25∼0.95 间较好, 印证了它们擅长混合像素的计算.同时, 近距离 Nonlocal 算法
在各区间中均不理想.
图 3 各 αtrueαtrue 区间中 5 种传统仿射类算法 αα 结果的平均 MSE 比较(其中 xx 轴坐标中
的 0.0 表示 0.0∼0.050.0∼0.05 区间等)
Fig. 3 MSE comparison on five traditional affinity based matting algorithms in
each αtrueαtrue interval (where 0.0 in xx-label denotes the range of 0.0∼0.050.0∼0.05, etc)
下载: 全尺寸图片 幻灯片
1.2 本文方法的提出
事实上, KNN 类算法中 KK 近邻像素的远近的选取, 对该类方法的绝对像素划分结果
会产生重要影响.在前景与背景的整体重合度不高的前提下, 选择更远距离的搜索范围, 不
仅会为当前未知点提供更多相似的已知点, 而且在 Trimap 真实样本距离未知点较远时(如未
知区域较大、或者前景存在空洞)计算效果更好.但如果较远处的前景与背景颜色存在较大
重合, 则会产生计算错误, 此时需要采用较小的搜索范围.因此, 所选取的近邻像素的远近也
是一个重要的平衡.然而, KNN 采用固定的远距离与近距离相结合的方式, 无法根据空间上
的颜色变化情况进行自适应调整.
基于上述分析, 本文在第 2 节新引入了 KNN 搜索上的 3 种范围(如图 2 左栏所示), 并
依据全局重叠与局部重叠程度, 相应采用其中 2 种层次相结合的方式, 以期对大部分绝对像
素进行划分, 并进一步缩小未知区域的宽度.同时, 由于无法保证初始 Trimap 与混合点之间
的关系, 该层次采用与初始 Trimap 未知区域大小无关的方式, 这与 Large Kernel 算法不同.
如前文所述, 混合像素计算过程中的 Matting Laplacian 类方法中的核宽度、或者搜索
空间的大小, 需要与真实未知区域的宽度相一致.若搜索范围过小则无法充分涵知区域的信