码迷,mamicode.com
首页 > 编程语言 > 详细

Poisson image editing算法实现的Matlab代码解析

时间:2016-01-29 16:27:40      阅读:680      评论:0      收藏:0      [点我收藏+]

标签:

之前我发了数篇系列博文来仔细研究Poisson Image Editing算法,每次重新审视和深入,仿佛都能有更为深刻的认识和很大的收获。这应该算是我这个系列的完结篇,会用用Matlab代码一点一点的演示,原文作者到底是如何设计和实现他那个强大且影响深远的算法的。希望你在看本文之前务必参考一下文章来了解算法原理,本文将主要讲解编程实现的问题,对于前面讲过的内容,我不会深究。但我个人总体的感觉是,现在图像处理算法对数学的要求是越来越高了,像泊松融合、泊松抠图这样的算法如果没有偏微分方程(本算法中涉及Poisson Equation)、数值计算(需要高斯-塞德尔迭代法或者共轭梯度法)、场论(涉及散度、梯度和拉普拉斯算子)、矩阵论(涉及大型稀疏矩阵线性方程组)、数学物理方法(涉及带狄利克雷条件的椭圆曲线方程)、最优化理论(涉及到了欧拉-朗格拉日变分法)这些艰深的数学知识,要理解起来实在太困难了(每一步都是一个坎,我感觉有一个地方过不了,那篇经典论文的精华就无法领会,更别说编程实现了技术分享)。

图像处理之让手心长出眼睛,其实嘴也可以~

图像的泊松(Poisson)编辑、泊松融合完全详解(3) 

图像的泊松(Poisson)编辑、泊松融合完全详解(2)

图像的泊松(Poisson)编辑、泊松融合完全详解(1)



素材是三张图片,如下


                                                                                   bear.jpg                                                              bear-mask.jpg

技术分享                         技术分享


pool-target.jpg

技术分享


首先,我们清理一下Matlab的环境:

close all;
clear;
clc;

然后,读入三张图片(注意需要把mask图以二值图的形式读入)
TargetImg   = imread(‘pool-target.jpg‘);
SourceImg   = imread(‘bear.jpg‘);
SourceMask  = im2bw(imread(‘bear-mask.jpg‘));

用函数bwboundaries(W,CONN) 来获取二值图中对象的轮廓,其中CONN 为8或4,指示联通性采用4方向邻域点判别还是8方向邻域点判别,默认为8。

[SrcBoundry, ~] = bwboundaries(SourceMask, 8);

然后我们把这个轮廓在SourceImg上绘制出来,显示出我们将要剪切的区域。参数 ‘r‘ 表示红色。

figure, imshow(SourceImg), axis image
hold on
for k = 1:length(SrcBoundry)
    boundary = SrcBoundry{k};
    plot(boundary(:,2), boundary(:,1), ‘r‘, ‘LineWidth‘, 2)
end
title(‘Source image intended area for cutting from‘);

所得之结果如下图

技术分享


设定source将要粘贴在target图中的具体位置,并获取TargetImg的长和宽。

position_in_target = [10, 225];%xy
[TargetRows, TargetCols, ~] = size(TargetImg);


函数find()的作用:b=find(X),X是一个矩阵,查询非零元素的位置,如果X是一个行向量,则返回一个行向量,否则,返回一个列向量。

[row, col] = find(SourceMask);

然后来计算mask框在source图中的大小。
start_pos = [min(col), min(row)];
end_pos   = [max(col), max(row)];
frame_size  = end_pos - start_pos;

如果在position_in_target的位置放置frame将超出Target图的范围,则改变position_in_target,以保证frame不会超出Target图的范围。
if (frame_size(1) + position_in_target(1) > TargetCols)
    position_in_target(1) = TargetCols - frame_size(1);
end

if (frame_size(2) + position_in_target(2) > TargetRows)
    position_in_target(2) = TargetRows - frame_size(2);
end

构建一个大小与Target图相等的新的Mask,然后在position_in_target的位置放入SourceMask。

MaskTarget = zeros(TargetRows, TargetCols);
MaskTarget(sub2ind([TargetRows, TargetCols], row - start_pos(2) + position_in_target(2), ...
 col - start_pos(1) + position_in_target(1))) = 1;

此时我们得到的新MaskTarget如下图所示

技术分享


同前面一样,获取二值图像中对象的轮廓,然后把这个轮廓在TargetImg上绘制出来。

TargBoundry = bwboundaries(MaskTarget, 8);
figure, imshow(TargetImg), axis image
hold on
for k = 1:length(TargBoundry)
    boundary = TargBoundry{k};
    plot(boundary(:,2), boundary(:,1), ‘r‘, ‘LineWidth‘, 1)
end
title(‘Target Image with intended place for pasting Source‘);

结果如下图所示

技术分享


根据文章所给出的算法我们知道,对于Mask轮廓的内部,我们是不考虑边界项的,此时计算梯度(G)的散度div,就是执行一个拉普拉斯算子,如下

div ( G( Source(x,y) ) )  = -4 f(x,y) + f(x-1,y) + f(x,y-1) + f(x+1,y) + f(x,y+1)

对SourceImg执行拉普拉斯算子,然后提取结果的R、G、B三个分量。

templt = [0 -1 0; -1 4 -1; 0 -1 0];
LaplacianSource = imfilter(double(SourceImg), templt, ‘replicate‘);
VR = LaplacianSource(:, :, 1);
VG = LaplacianSource(:, :, 2);
VB = LaplacianSource(:, :, 3);

然后根据Mask,把上述计算结果贴入TargetImg。

TargetImgR = double(TargetImg(:, :, 1));
TargetImgG = double(TargetImg(:, :, 2));
TargetImgB = double(TargetImg(:, :, 3));

TargetImgR(logical(MaskTarget(:))) = VR(SourceMask(:));
TargetImgG(logical(MaskTarget(:))) = VG(SourceMask(:));
TargetImgB(logical(MaskTarget(:))) = VB(SourceMask(:));

TargetImgNew = cat(3, TargetImgR, TargetImgG, TargetImgB);
figure, imagesc(uint8(TargetImgNew)), axis image, title(‘Target image with laplacian of source inserted‘);

结果如下图所示


技术分享


然后,我们要来计算稀疏的临接矩阵。(这个地方需要参考前面给出的博文1)

如果简单从代码来分析,假设我们现在有这样一个mask

mask =

     0     0     0     0     0
     0     1(1)  1(2)  0     0
     0     1(3)  1(4)  1(5)  0
     0     0     1(6)  1(7)  0
     0     0     0     0     0

那么我们就要建立一个7×7的邻接矩阵,例如(1)是(2)邻接的,所以下面矩阵中[1,2]和[2,1]的位置就1。


>> neighbors = calcAdjancency( mask );
>> full(neighbors)

ans =

     0     1     1     0     0     0     0
     1     0     0     1     0     0     0
     1     0     0     1     0     0     0
     0     1     1     0     1     1     0
     0     0     0     1     0     0     1
     0     0     0     1     0     0     1
     0     0     0     0     1     1     0

下面我们给出函数calcAdjancency()的实现代码:


function neighbors = calcAdjancency( Mask )

[height, width]      = size(Mask);
[row_mask, col_mask] = find(Mask);

neighbors = sparse(length(row_mask), length(row_mask), 0);

%下标转索引
roi_idxs = sub2ind([height, width], row_mask, col_mask);

for k = 1:size(row_mask, 1),
    %4 邻接点
    connected_4 = [row_mask(k), col_mask(k)-1;%left
                   row_mask(k), col_mask(k)+1;%right
                   row_mask(k)-1, col_mask(k);%top
                   row_mask(k)+1, col_mask(k)];%bottom

    ind_neighbors = sub2ind([height, width], connected_4(:, 1), connected_4(:, 2));
    
    %二分查找函数 i = ismembc2(t, X):返回t在X中的位置,其中X必须为递增的的数值向量
    for neighbor_idx = 1: 4, %number of neighbors,
        adjacent_pixel_idx =  ismembc2(ind_neighbors(neighbor_idx), roi_idxs);
        if (adjacent_pixel_idx ~= 0)
            neighbors(k, adjacent_pixel_idx) = 1;
        end
    end 
end
end

上述代码中第一个应该知道的地方是Matlab的二分查找函数ismembc2(),这一点我的注释已经比较明确,不再赘言。另一个地方是下标转索引的函数sub2ind()。下面这个例子说明了它的用法和意义:

% % e.g. M =
% 
%     11(1) 12(5) 13    14
%     21    22(6) 23    24
%     31    32(7) 33    34
%     41    42    43    44

% roi_idxs = sub2ind(size(M), [1, 1, 2, 3], [2, 1, 2, 2])
% 
% roi_idxs =
% 
%      5     1     6     7

回到我们的主干程序,我们调用函数calcAdjancency()来计算MaskTarget 中Ω区域的邻接矩阵。
AdjacencyMat = calcAdjancency( MaskTarget );

然后我们调用PoissonSolver()函数分别对彩色图像的R、G、B三个分量解线性方程组。其核心就是使用迭代法求解型如Ax=b这样的大型稀疏线性方程组。Patrick Perez在原文中使用了高斯-塞德尔迭代法。与此类似,但我们直接调用Matlab中共轭梯度法函数来求解或许更为方便。参考Matlab中给出的帮助信息如下:
X = CGS(A,B) attempts to solve the system of linear equations A*X=B for X.
The N*N coefficient matrix A must be square and the right hand side column vector B must have length N.


ResultImgR = PoissonSolver(TargetImgR, MaskTarget, AdjacencyMat, TargBoundry);
ResultImgG = PoissonSolver(TargetImgG, MaskTarget, AdjacencyMat, TargBoundry);
ResultImgB = PoissonSolver(TargetImgB, MaskTarget, AdjacencyMat, TargBoundry);

最后我们将三个分量合到一起,并显示出最终的融合结果。

ResultImg = cat(3, ResultImgR, ResultImgG, ResultImgB);

figure;
imshow(uint8(ResultImg));

如下图所示:


技术分享


更多示例与讨论

在Matlab中建立稀疏矩阵如果简单的用 zeros()或ones()函数的话,当图片稍微大一点(例如我在做下面的手眼融合示例时所用的图),就会产生 out of memory的问题。所以程序中要特别注意,使用sparse()等等专门用于建立稀疏矩阵的函数来避免超内存的问题。

技术分享


全文完。

如果你是图像处理的通道中人,欢迎加入图像处理学习群(529549320)。

Poisson image editing算法实现的Matlab代码解析

标签:

原文地址:http://blog.csdn.net/baimafujinji/article/details/50603686

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!