泊松融合（Poisson Blending）又作 Seamless clone，用于將兩幅圖像“無縫”的融合起來，基本原理就是最優(yōu)化一個(gè)方程，盡量在和base邊界處保持相關(guān)的亮度，同時(shí)保留剪切過來圖像的梯度，這樣看起來兩張圖像就“無縫”拼合在一起了。

2004 年 SIGGRAPH 上，Microsoft Research UK 有篇經(jīng)典的圖像融合文章《Poisson Image Editing》。先看看其驚人的融合結(jié)果（非論文配圖，本人實(shí)驗(yàn)結(jié)果）：

這篇文章的實(shí)現(xiàn)，無關(guān)目前算法領(lǐng)域大火的神經(jīng)網(wǎng)絡(luò)，而是基于泊松方程推導(dǎo)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(gè)數(shù)學(xué)家泊松發(fā)明的。但卻和泊松分布沒有什么關(guān)系，是泊松物理學(xué)領(lǐng)域提出的一個(gè)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(shí)數(shù)或復(fù)數(shù)值方程，特殊情況當(dāng)時(shí)被稱為拉普拉斯方程。當(dāng)處于歐幾里得空間時(shí)，拉普拉斯算子通常表示為。

學(xué)習(xí)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(biāo)系下的散度）、一階微分（直角坐標(biāo)系下的梯度）。

微分與卷積

連續(xù)空間中的微分計(jì)算，就是大學(xué)里微積分那一套公式。但是在計(jì)算機(jī)的世界里，數(shù)據(jù)都是在離散空間中進(jìn)行表示，對于圖像而言，基本的計(jì)算單元就是像素點(diǎn)。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(jì)算（一階中心導(dǎo)）：

表示位置x二階微分計(jì)算（二階中心導(dǎo)）：

隨著h->0，上面的微分算式的結(jié)果會(huì)逐漸逼近真實(shí)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 1x3 的卷積核 [1，-2，1]在一維數(shù)組上進(jìn)行卷積計(jì)算的結(jié)果（卷積中心在 x 上）。

至此，不難理解，離散數(shù)據(jù)（例如圖像）上的微分操作完全可以轉(zhuǎn)換為卷積操作。

當(dāng)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(shí)，卷積核尺寸應(yīng)該是 3x3，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(huì)用到。

泊松方程求解

這個(gè)時(shí)候，想想我們學(xué)會(huì)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(diǎn)二階微分值（直角坐標(biāo)系下即散度div）的情況下，求解各個(gè)圖像點(diǎn)的像素值。

一個(gè)簡單的例子，假設(shè)有一張4x4的圖像 x：

Xi表示各個(gè)位置上的圖像像素值，共 16 個(gè)未知參數(shù)需要被求解。

應(yīng)用拉普拉斯卷積核后，得到 4 個(gè)方程式：

4 個(gè)方程式求解出 16 個(gè)未知參數(shù)？這是不可能的。

因此，我們需要另加入至少 12 個(gè)更多的方程式，也就是說，需要把剩余 12 個(gè)邊界點(diǎn)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(dǎo)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(shí)際值。

但給定邊界條件之后，就可以有 16 個(gè)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 Ax=b。

看到Ax=b，大家就應(yīng)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(chǔ)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(wù)中，前景放置在背景上時(shí)，需要保證兩點(diǎn)：

前景本身主要內(nèi)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(diǎn)位置上的像素值，需要保持邊界一致。

重點(diǎn)關(guān)注兩個(gè)詞：內(nèi)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：

藍(lán)色圖片表示前景圖片，需要被融合到肉色的背景圖片上

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(biāo)圖像中被前景所覆蓋的區(qū)域，則是的邊界。設(shè)合并后圖像在內(nèi)的像素表示函數(shù)是，在外的像素值表示函數(shù)是。

此時(shí)，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(huì)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：

怎么樣，看起來是不是一個(gè)泊松方程呢？當(dāng)然，還差兩步：

因?yàn)樾枰?span style="font-weight:600;">平滑， div v 取值需要同時(shí)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(diǎn)像素的散度進(jìn)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(gè)人以為這里采取學(xué)習(xí)的方法應(yīng)該更魯棒，而不是用固定的策略來區(qū)分）。anyway， div v 是可以計(jì)算的已知量；

因?yàn)樾枰?span style="font-weight:600;">保持邊界一致，邊界條件上像素值等于背景圖片即可。當(dāng)然也可以做一些策略，但同樣也可以計(jì)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，參考上一節(jié)的求解過程即可。

代碼實(shí)現(xiàn)

函數(shù)代碼已經(jīng)收錄在了 OpenCV 的官方函數(shù)seamlessClone里：github source code

使用的時(shí)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(dòng)手試試，用到以下兩張圖以及一段代碼：

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 = dst.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：