Structure-Aware Image Compositing
The classic task of image compositing is complicated by the fact that the source and target images need to be carefully aligned and adjusted. Otherwise, it is not possible to achieve convincing results. Visual artifacts are caused by image intensity mismatch, image distortion or structure misalignment even if the images have been globally aligned. In this paper we extend classic Poisson blending by a constrained structure deformation and propagation method. This approach can solve the above-mentioned problems and proves useful for a variety of applications, e.g. in de-ghosting of mosaic images, classic image compositing or other applications such as superresolution from image databases. Our method is based on the following basic steps. First, an optimal partitioning boundary is computed between the input images. Then, features along this boundary are robustly aligned and deformation vectors are computed. Starting at these features, salient edges are traced and aligned, serving as additional constraints for the smooth deformation field, which is propagated robustly and smoothly into the interior of the target image. If very different images are to be stitched, we propose to base the deformation constraints on the curvature of the salient edges for C1-continuity of the structures between the images. We present results that show the robustness of our method on a number of image stitching and compositing tasks.
Bildkompositionen werden oft dadurch erschwert, dass die zwei zusammenzufügenden Bilder vorsichtig und genau justiert und angepasst werden müssen. Andernfalls können keine überzeugenden Ergebnisse erreicht werden. Visuelle Artefakte können durch unterschiedliche Intensitäten, Verzerrungen oder strukturelle Missanpassungen entstehen, selbst wenn die Bilder global ausgerichtet wurden. In diesem Report wird das klassische Poisson Blending erweitert durch eine gezielte Strukturdeformation und Propagierung derselben. Dieser Ansatz löst die oben genannten Probleme und ist sinnvoll einsetzbar in einer Reihe von Anwendungen wie Mosaikbilder, Bildkompositionen, oder sogar Super-Resolution durch Bilddatenbanken. Die Methode basiert auf folgenden Schritten: Zunächst wir eine optimale Partitionierung berechnet zwischen den Eingabebildern, dann werden die wichtigen Features entlang dieser Grenze in Einklang gebracht und entsprechende Deformationsvektoren berechnet. Ausgehend von diesen Features werden die auffälligen Kanten weiterverfolgt und in Einklang gebracht. Diese Deformationen werden dann über das gesamte Bild ausgebreitet. Wenn die Bilder stark unterschiedlich sind schlagen wir in diesem Report vor die Verformung auf Basis der Krümmung der Kanten zu durchzuführen. Es werden Ergebnisse präsentiert, die die Robustheit der Methode zeigen.
Preview
Cite
Access Statistic
Rights
Use and reproduction:
All rights reserved