第5期 陈秋凤，等：局部自适应输入控制的随机游走抠图 ·1013· 和本文所提SCRW算法的容错性比较。在图3b) 3)定量比较 中，白色画线为前景标注，黑色画线为背景标注， 在图4(a)中，三分图1是原始三分图，三分 中间圆圈区域内，用户错误地将中间背景布标注 图2~三分图5是原三分图的未知区域向外扩展 为前景。图3(C)的传统C℉抠图算法，因为采用A 10、15、20、25个像素点而得，笔画式标注则是手 为大值的硬性约束，输出严格遵从输入，最终结 动标注（白色前景，黑色背景），图4(a)的用户标注 果仍然将中间的背景布抠选了出来；而在图3(d) 信息从左至右依次减少。图4(b)、(©)为各算法在 中，因为SCRW采用为小值的软性约束，各节 不同的用户标注下的MSE误差及运算时间。由 点局部自适应的h:设计使得输入信息能够根据 图4(b)知，在三分图比较紧凑的情况下，未知区 图像特征进行自适应扩散，可对一些非正确的输 域中的点距离已知区域近，不需远距离的信息传 入进行校正，使其符合图像内容，因此本文算法 播就能获得引导信息，CF、LB算法的MSE误差 的容错性更强。 反而比较小；但随着用户标注区域的减少，C℉ LB算法由于缺乏远距传播，未知区域中的部分点 得不到引导信息，产生了较大的误差，虽然C℉算 法随着降采样水平的增高，也具有一定的远距传 播能力，但其过强的输入控制使高层中不够准确 的结果在低层中产生误扩散，故其MSE误差在 高level的情况下反而更大；KNN算法虽采用非 (a)输入图像 (b)不完全正确标注 局部近邻，但其流形近邻的搜索特征包含空间信 息，传播距离也有限；而本文算法的高层远距离 传播及低层细节恢复能力使得算法的整体误差最 小，尤其是在用户输入信息不够充分的情况下能 够取得更好的结果。在图4(c)中，CF算法在 level-=5时的运算时间最短，但其相应的误差最 大，是以牺牲准确度来降低运算时间：除此之外， (c)C℉算法结果 (d)SCRW算法结果 随着未知区域的增加，各算法的运算时间出现不 图3容错性比较 同程度的增加，但本文算法的增量最小，运算时 Fig.3 Comparison of fault tolerances 间基本在10s左右。 分图1 分 (a)用户标注 0.30 CF-level=1 80 CF-leveFl 0.25 CF-level=2 ▣F.eve=2 ▣CF.level=5 CF-level=5 0.20 B ▣B 05 KNN KNN 一本文算法 一本文算法 0.10 nhh场 30 20 0.05 三分图1 三分图2 三分图3 三分图4 三分图5 笔画式标注 三分 三分图4 三分图5 笔画式标注 不同标注 不同标注 (b)误差对比 (©)运算时间对比 图4不同用户输入下各算法准确率及运算时间对比 Fig.4 Comparison of algorithm accuracy and operation time with different user inputsλ λ hi 和本文所提 SCRW 算法的容错性比较。在图 3(b) 中，白色画线为前景标注，黑色画线为背景标注， 中间圆圈区域内，用户错误地将中间背景布标注 为前景。图 3(c) 的传统 CF 抠图算法，因为采用 为大值的硬性约束，输出严格遵从输入，最终结 果仍然将中间的背景布抠选了出来；而在图 3(d) 中，因为 SCRW 采用 为小值的软性约束，各节 点局部自适应的 设计使得输入信息能够根据 图像特征进行自适应扩散，可对一些非正确的输 入进行校正，使其符合图像内容，因此本文算法 的容错性更强。 (a) 输入图像 (b) 不完全正确标注 (c) CF 算法结果 (d) SCRW 算法结果 图 3 容错性比较 Fig. 3 Comparison of fault tolerances 3) 定量比较 在图 4(a) 中，三分图 1 是原始三分图，三分 图 2~三分图 5 是原三分图的未知区域向外扩展 10、15、20、25 个像素点而得，笔画式标注则是手 动标注 (白色前景，黑色背景)，图 4(a) 的用户标注 信息从左至右依次减少。图 4(b)、(c) 为各算法在 不同的用户标注下的 MSE 误差及运算时间。由 图 4(b) 知，在三分图比较紧凑的情况下，未知区 域中的点距离已知区域近，不需远距离的信息传 播就能获得引导信息，CF、LB 算法的 MSE 误差 反而比较小；但随着用户标注区域的减少，CF、 LB 算法由于缺乏远距传播，未知区域中的部分点 得不到引导信息，产生了较大的误差，虽然 CF 算 法随着降采样水平的增高，也具有一定的远距传 播能力，但其过强的输入控制使高层中不够准确 的结果在低层中产生误扩散，故其 MSE 误差在 高 level 的情况下反而更大；KNN 算法虽采用非 局部近邻，但其流形近邻的搜索特征包含空间信 息，传播距离也有限；而本文算法的高层远距离 传播及低层细节恢复能力使得算法的整体误差最 小，尤其是在用户输入信息不够充分的情况下能 够取得更好的结果。在图 4(c) 中 ，CF 算法在 level=5 时的运算时间最短，但其相应的误差最 大，是以牺牲准确度来降低运算时间；除此之外， 随着未知区域的增加，各算法的运算时间出现不 同程度的增加，但本文算法的增量最小，运算时 间基本在 10 s 左右。 (a) 用户标注 三分图1 三分图2 三分图3 三分图4 三分图5 笔画式标注 (b) 误差对比 (c) 运算时间对比 三分图1 三分图2 三分图3 三分图4 三分图5 笔画式标注 0 不同标注 MSE 误差 CF-level=1 CF-level=2 CF-level=5 LB KNN 本文算法 三分图1 三分图2 三分图3 三分图4 三分图5 笔画式标注 0 10 20 30 40 50 60 70 80 不同标注 时间/s CF-level=1 CF-level=2 CF-level=5 LB KNN 本文算法 0.05 0.10 0.15 0.20 0.30 0.25 图 4 不同用户输入下各算法准确率及运算时间对比 Fig. 4 Comparison of algorithm accuracy and operation time with different user inputs 第 5 期 陈秋凤，等：局部自适应输入控制的随机游走抠图 ·1013·