计算机图形学poisson Image Editing泊松图像融合算法

poissonImageEditing

1. 概述

为了解决将源图像的一部分区域ROI(Region of Interest)直接复制到目标图像时，边界过渡不自然的问题，如下图中间所示。本论文提出seamless cloning无缝融合算法，其主要实现思想是，首先把ROI的梯度场覆盖到目标图像的梯度场上，得到融合图像的梯度场，对其求偏导，得到散度$b$，然后通过非边界点与拉普拉斯卷积核进行卷积，并且通过边界点的约束条件，得到稀疏矩阵$A$，最后通过求解$Af=b$方程，$f$就是融合图像的每个像素点的R,G,B值。融合图像内容平滑，边界处无明显痕迹，实现图像边界过渡自然的效果，如下图右边所示。

2. 问题描述

如果想把源图像ROI区域$g$复制到目标图像S，直接复制会导致内容不平滑而且边界过渡不自然。为了解决这个问题，需要保持融合图像中源图像ROI所覆盖的目标区域Ω的纹理，并使目标区域和目标图像的边界$\partial \Omega$的像素值与目标图像的像素值相同。
即需要最小化公式1的泊松函数，公式前部分使Ω区域梯度尽可能小，满足ROI内容平滑；公式后部分，$f$表示融合图像在Ω内的像素值表示函数（待求解）， f ∗ f^* f∗表示在Ω外的像素值表示函数，满足边界过渡平滑则需要两者相等。

公式1的解满足欧拉-拉格朗日方程，即公式2所示，

$\Delta f$表示$f$二阶微分（直角坐标系下的散度div），即拉普拉斯算子，也就是二阶梯度 ∇ 2 \nabla ^2 ∇2。

因为当一阶微分取极值时，二阶微分为0，所以在梯度最小时，散度为0，即公式2。

已知区域Ω内的散度都是0，以及边界上已知的像素值，即可求出Ω内部所有像素值。这样融合图像ROI区域内容平滑，但不能保持其纹理，显得图像很模糊。

融合图像效果不好，是因为没有引导算法在ROI区域填充什么内容，所以现在我们需要用到引导向量场Guidance vector field（梯度场），如上图左边的$\mathbf{v}$所示。

梯度可以用来反映图像中亮度改变最明显的区域，也就是说可以用梯度来捕捉图像上的亮度变化，梯度的方向在图像灰度的最大变化率上，它恰好可以反映出图像边缘的灰度变化。所以在上图中右下角比较亮，左上角比较暗。

融合图像维持源图像的纹理信息，并边界处无明显痕迹，则需要满足公式3，

公式3在狄利克雷边界约束下的泊松方程为

与公式1和2相比，仅仅是改变了等式右边由$\mathbf{v}$计算的散度值。由梯度场$\mathbf{v}$引导泊松方程使融合图像保留源图像纹理，并过渡自然，但如何快速求解泊松方程？

3. 离散泊松求解

对于定义在任意边界上的狄利克雷边界条件问题，通过有限差分离散化将公式3的变分问题转化为离散二次最优问题进行求解，如公式6所示。（用拉普拉斯算子邻边矩阵构建下式）

符号解释：
$p$或者$q$：表示一个像素点；
N p N_p Np：表示与像素点p相邻的四个像素的集合（上下左右）；
$<p,q>$：表示满足 q ∈ N p q \in N_p q∈Np的像素对；
f p f_p fp：表示$f$在$p$处的值；
v p q v_{p q} vpq：表示 v ( p q 2 ) \mathbf{v}\left(\frac{p q}{2}\right) v(2p q)在方向边缘$[p,q]$上的投影；
∂ Ω = { p ∈ S \ Ω : N p ∩ Ω ≠ ∅ } \partial \Omega=\left\{p \in S \backslash \Omega: N_{p} \cap \Omega \neq \emptyset\right\} ∂Ω={p∈S\Ω:Np∩Ω=∅}：表示边界不属于融合图像Ω，但边界点的四连通领域至少有一个点在融合图像Ω上：
f ∣ Ω = { f p , p ∈ Ω } \left.f\right|_{\Omega}=\left\{f_{p}, p \in \Omega\right\} f∣Ω={fp,p∈Ω}：表示融合图像Ω的像素值，也是公式7要求解的内容。

公式6要求融合图像Ω内待求像素值梯度要和源图像一致；并且在边界区域$\partial \Omega$待求像素值要和目标图像一致。
公式6的解满足公式7的线性方程（此方程由所有在Ω上的点$p$与拉普拉斯卷积核进行卷积，并且计算$p$的相邻点$q$在边界处的约束条件累加而成）。

求解这个线性方程的步骤如下。

1. 根据不同需求，定义不同的$\mathbf{v}$的计算公式。计算源图像$g$的梯度场$\mathbf{v}$；
2. 计算目标图像的梯度场；
3. 计算融合图像的梯度场；
4. 对步骤3的梯度场进行求偏导，得到融合图像的散度$b$；
5. 通过非边界点与拉普拉斯卷积核进行卷积，和边界点的约束条件来构建稀疏矩阵$A$；
6. 求解线性方程 f = A − 1 ∗ b f = A^{-1} * b f=A−1∗b, $f$为融合图像的每个点的RGB值。

4. 算法应用

4.1 图像融合

4.1.1 Seamless cloning

无缝融合是本论文比较重要的应用，它是把源图像中的梯度场作为引导场$\mathbf{v}$，即$\mathbf{v}=\nabla g$，$g$是源图像。
带入公式4得，
，通过带入公式7求解线性方程，得到融合图像每个像素点的颜色值。
效果如下图所示。

左边为源图像和目标图像，中间cloning是把源图像直接复制到目标图像中，右边为算法的无缝融合。
无缝融合能保留源图像的全部内容（包括纹理，源图像里的背景），但有时只想保留源图像中的主要纹理信息，而源图像的背景要与目标图像融合，不显突兀，这就需要改变引导场$\mathbf{v}$。

4.1.2 Mixing gradients

Mixing gradients是保留源图像和目标图像中各自的高频细节，则相应的引导场取两者之间较大的部分。

具体做法是先判断两者绝对值梯度的大小，然后取较大值作为融合图像的引导场，并求偏导得融合图像的散度，最后带入泊松方程求解，得到每个点的RGB值。混合梯度效果如下图d所示。

4.2 选区编辑Selection editing

图像融合的引导场部分或全部依赖于源图像，而选区编辑是在单一图像上取一块区域，对这个区域进行处理，使用完全依赖于原始图像的引导场来对其进行变换。

4.2.1 Texture flattening

Texture flattening纹理扁平化是利用稀疏筛(sparse sieve)对图像梯度 ∇ f ∗ \nabla f^* ∇f∗进行处理，只保留最突出的特征。
对于属于ROI区域的像素点$\mathbf{x}$而言，它的引导场可以表示为
，其中$M(\mathbf{x})$ 为二进制蒙版，即保留大于$M(\mathbf{x})$阈值的特征，扁平化小于$M(\mathbf{x}$阈值的特征。
当M(x)为边缘检测器时，引导场可以表示为以下离散形式。当边缘检测器选择性越强（选择的边缘越少），边缘映射就越系数，扁平化效果就越明显。

用算法对人脸进行扁平化处理，效果如下图所示。

4.2.2 Local illumination changes

Fattal提出一种平滑地修改普通图片的动态范围(亮度从最低到最高的范围)的方法。将此方法用于校正选中区域亮度，并用恰当的狄利克雷边界条件用于选区的边界，则引导场在对数域（x≥0）上定义为

其中 α ∗ ∣ ∇ f ∗ ∣ a v g \alpha*|\nabla f^*|_{avg} α∗∣∇f∗∣avg，β=0.2
在逆光下人脸会显得很暗，看不清细节，可以用算法调高人脸亮度；或者算法也可以降低物体的亮度，效果如下图所示。

5. 实验结果

直接调用opencv里面的seamlessClone函数，进行图像无缝融合和混合梯度融合。

# Standard imports
import cv2
import numpy as np

# Read images
src = cv2.imread("./img/source3.jpg")
dst = cv2.imread("./img/target3.jpg")
src_mask = cv2.imread("./output2/mask.jpg")
# Create a rough mask around the airplane.
# src_mask = np.zeros(src.shape, src.dtype)
# poly = np.array([[181,178],[124,178],[120,185],[110,185],[96,208],[93,237],[82,209],[73,247],[90,202],[80,287],[100,285],[132,315],[208,320],[251,299],[263,270],[268,218],[238,188],[209,176]], np.int32)
# mask = cv2.fillPoly(src_mask, [poly], (255, 255, 255))
# cv2.imwrite("./output2/mask.jpg", mask)

# This is where the CENTER of the airplane will be placed
center = (120,536)

# Clone seamlessly.
# Normal Cloning
output1 = cv2.seamlessClone(src, dst, src_mask, center, cv2.NORMAL_CLONE)
# Mixed Cloning
output2 = cv2.seamlessClone(src, dst, src_mask, center, cv2.MIXED_CLONE)
output3 = cv2.seamlessClone(src, dst, src_mask, center, cv2.MONOCHROME_TRANSFER)


# Save result
cv2.imwrite("./output2/opencv-seamless-cloning-example.jpg", output1)
cv2.imwrite("./output2/opencv-seamless-cloning-example2.jpg", output2)
cv2.imwrite("./output2/opencv-seamless-cloning-example3.jpg", output3)

关于如何制作mask

自己写的核心代码

6. 后续算法优化

[Jiaya Jia et al. Drag and-drop pasting]于2006年提出了最优的融合边界用于改进泊松图像编辑的效果，[Zeev Farbman et al. coordinates for instant image cloning]在SIGGRAPH 2009中提出了使用Mean-Value coordinates用于计算基于梯度域的图像编辑，该方法实现简单且运行速度快，从而避免了求解复杂的泊松方程。

这篇好文章是转载于：学新通技术网