【CVPR 】A perceptually motivated online benchmark for image matting.

Paper：/en-us/research/wp-content/uploads//01/cvpr09-matting-Eval_TR.pdf

Online Benchmark System

Training Set: 27张图片Test Set: 8张图片Trimap有三种尺寸所有的图片有两种尺寸

Error Measures

1. sum of absolute differences(SAD)

2. mean squared error(MSE)

3. connectivity error

连通度：在灰度Alpha图上计算出的二进制阈值图像中的连通性

连通性误差定义：

φ\varphiφ度量的是透明度为αi\alpha_iαi​的像素i与源区域Ω\OmegaΩ的连通程度.

上图展示了在预测Alpha图当中一行像素的密度函数

源区域Ω\OmegaΩ定义为：预测Alpha和GT Alpha都是完全不透明的最大连通区域(红线部分)

连通度根据距离定义的：

di=αi−lid_i = \alpha_i - l_idi​=αi​−li​

lil_ili​指的是当像素i是4连通于Ω\OmegaΩ时，最大的阈值(图中的虚线)

当像素完全连通时αi=li\alpha_i = l_iαi​=li​

最终，在Ω\OmegaΩ上像素i的连通度定义为：

当一个像素完全连通时， φ\varphiφ=0当一个像素完全不连通时，φ\varphiφ=1

δ\deltaδ函数强制要求的did_idi​在θ\thetaθ以下的微小变化被忽略。

进一步用在源区域Ω\OmegaΩ上的平均距离对不连通区域的像素的did_idi​进行加权

K是lil_ili​和αi\alpha_iαi​之间的离散的值的集合

distkdist_kdistk​计算了设置为阈值k 时, 对于像素i距离最近的连通到源域的像素, 与像素i之间的标准化欧式距离

其直觉感受是远离连通区域的未连接部分在视觉上更分散注意力，获得的λ\lambdaλ也应该更大一些，这样计算的φ\varphiφ也会更小一些，也就是连通度更小(鼓励分的开一些)

4. gradient error

预测的Alpha和GT的Alpha梯度的差的总和∇αi\nabla{\alpha_i}∇αi​、∇αi∗\nabla{\alpha^*_i}∇αi∗​分别表示预测Alpha和GT Alpha在第i的像素的归一化梯度具体计算的方法是使用一阶的高斯导数滤波器在Alpha上卷积得到

如果觉得《【Image Matting】Image Matting评价指标》对你有帮助，请点赞、收藏，并留下你的观点哦！