0
雷鋒網 AI 科技評論按，本文作者成指導，字節(jié)跳動算法工程師，本文首發(fā)于知乎，雷鋒網 AI 科技評論獲其授權轉載，正文內容如下：
2004 年 SIGGRAPH 上，Microsoft Research UK 有篇經典的圖像融合文章《Poisson Image Editing》。先看看其驚人的融合結果（非論文配圖，本人實驗結果）：
這篇文章的實現(xiàn)，無關目前算法領域大火的神經網絡，而是基于泊松方程推導得出。
泊松方程是什么？
很多朋友比較熟悉概率論里面的泊松分布。泊松方程，也是同一個數(shù)學家泊松發(fā)明的。但卻和泊松分布沒有什么關系，是泊松物理學領域提出的一個偏微分方程。
這里
表示的是拉普拉斯算子，
和
（在泊松方程中是已知量）可以是實數(shù)或復數(shù)值方程，特殊情況當
時被稱為拉普拉斯方程。當處于歐幾里得空間時，拉普拉斯算子通常表示為
。
學習圖像處理的朋友對于
和
比較熟悉，分別表示二階微分（直角坐標系下的散度）、一階微分（直角坐標系下的梯度）。
微分與卷積
連續(xù)空間中的微分計算，就是大學里微積分那一套公式。但是在計算機的世界里，數(shù)據都是在離散空間中進行表示，對于圖像而言，基本的計算單元就是像素點。讓我們從最簡單的情形，一維數(shù)組的微分說起：
表示位置 x 一階微分計算（一階中心導）：
表示位置 x 二階微分計算（二階中心導）：
隨著
，上面的微分算式的結果會逐漸逼近真實的微分值。對于圖像而言，這里 h 最小可分割單元是像素，也就表示像素間的間距，可視為 1。再看看，二階微分的公式，是不是可以看成
的卷積核
在一維數(shù)組上進行卷積計算的結果（卷積中心在 x 上）。
至此，不難理解，離散數(shù)據（例如圖像）上的微分操作完全可以轉換為卷積操作。
當數(shù)組維度更高，變成二維數(shù)組呢？也就是處理圖像的拉普拉斯算子：
此時，卷積核尺寸應該是
，具體數(shù)值為
，稱為拉普拉斯卷積核。
記住拉普拉斯卷積核，我們后面會用到。
泊松方程求解
這個時候，想想我們學會了什么？泊松方程的形式，以及拉普拉斯卷積核。
再想想，在圖像場景下，什么是泊松方程的核心問題？
已知圖像點二階微分值（直角坐標系下即散度 div）的情況下，求解各個圖像點的像素值。
一個簡單的例子，假設有一張 
的圖像
，
表示各個位置上的圖像像素值，共 16 個未知參數(shù)需要被求解。
應用拉普拉斯卷積核后，得到 4 個方程式：
4 個方程式求解出 16 個未知參數(shù)？這是不可能的。
因此，我們需要另加入至少 12 個更多的方程式，也就是說，需要把剩余 12 個邊界點的值確定，即需要確定邊界條件。邊界一般符合 2 種常見的邊界條件：
Neumann 邊界，譯為紐曼邊界或黎曼邊界，給出函數(shù)在邊界處的二階導數(shù)值；
Dirichlet 邊界，狄利克雷邊界，給出邊界處函數(shù)在邊界處的實際值。
但給定邊界條件之后，就可以有 16 個方程式組成的方程組了，矩陣化表示此方程組之后，得到形式為 
。
看到，大家就應該放松了，不就是解方程嘛，用雅可比迭代法或者高斯賽德爾迭代法來求解就 OK 了。
Poisson Image Editing
背景知識儲備好了后，讓我們把目光拉回到論文《Poisson Image Editing》上。
在圖像融合任務中，前景放置在背景上時，需要保證兩點：
前景本身主要內容相比于背景而言，盡量平滑；
邊界處無縫，即前景、背景在邊界點位置上的像素值，需要保持邊界一致。
重點關注兩個詞：內容平滑、邊界一致。平滑是什么？可以理解成圖像前景、背景梯度相同。邊界一致是指什么？可以理解成在邊界上像素值相同。再用一張圖來說明：
上圖中 u 表示需要被合成的前景圖片，V 是 u 的梯度場。S 是背景圖片， 是合并后目標圖像中被前景所覆蓋的區(qū)域，則
是的邊界。設合并后圖像在 內的像素表示函數(shù)是 f，在 外的像素值表示函數(shù)是 
。
此時，平滑可表示為： 
；保持邊界一致可表示為：
。
這里如果接觸過泛函的朋友會比較開心，沒接觸過的朋友可以先看看歐拉-拉格朗日方程。
令
，
代入歐拉-拉格朗日方程后則有：
注意：F 是
怎么樣，看起來是不是一個泊松方程呢？當然，還差兩步：
因為需要平滑，div v 取值需要同時參考前景圖片和背景圖片，可以直接等于前景像素的散度，也可以在前景和背景在同一點像素的散度進行某種組合得到（論文中在 Selection cloning 和 Selection editing 章節(jié)有討論各自合適的場景，但個人以為這里采取學習的方法應該更魯棒，而不是用固定的策略來區(qū)分）。anyway，div v 是可以計算的已知量；
因為需要保持邊界一致，邊界條件上像素值等于背景圖片即可。當然也可以做一些策略，但同樣也可以計算得到的已知量。
現(xiàn)在很輕松了，邊界條件已知、散度已知，在離散空間中求解泊松方程中的 f，參考上一節(jié)的求解過程即可。
代碼實現(xiàn)
函數(shù)代碼已經收錄在了 OpenCV 的官方函數(shù) seamlessClone 里：github source code
使用的時候，需要三張圖片：前景圖、背景圖、mask 圖（指明前景圖中需要融合的區(qū)域，最簡單的就是直接等于前景圖大小的 mask，待融合區(qū)域是白色，其余位置黑色）。
下面我們使用 OpenCV 的 Python 接口來動手試試，用到以下兩張圖以及一段代碼：
foreground.jpg
background.jpg
import cv2
import numpy as np
# Read images : src image will be cloned into dst
dst = cv2.imread("background.jpg")
obj= cv2.imread("foreground.jpg")
# Create an all white mask
mask = 255 * np.ones(obj.shape, obj.dtype)
# The location of the center of the src in the dst
width, height, channels = im.shape
center = (height/2, width/2)
# Seamlessly clone src into dst and put the results in output
normal_clone = cv2.seamlessClone(obj, dst, mask, center, cv2.NORMAL_CLONE)
mixed_clone = cv2.seamlessClone(obj, dst, mask, center, cv2.MIXED_CLONE)
# Write results
cv2.imwrite("images/opencv-normal-clone-example.jpg", normal_clone)
cv2.imwrite("images/opencv-mixed-clone-example.jpg", mixed_clone)
最終效果如下：
雷峰網版權文章，未經授權禁止轉載。詳情見轉載須知。
