Image matting is evolving for a wide range of applications including image/video editing. Sampling-based image matting aims to estimate the opacity of foreground objects by properly selecting a pair of foreground and background pixels for every unknown pixel. Sampling-based image matting is essentially an uncertain multicriteria optimization problem (UMCOP). It shows unique advantages in parallelization and handling spatially disconnected regions. However, sampling-based approaches encounter difficulty in accurately evaluating pixel pairs and efficiently optimizing the large-scale UMCOP. To address these two problems, a fuzzy multicriteria evaluation (FMCE) and a multiobjective evolutionary algorithm based on multicriteria decomposition (MOEA-MCD) are proposed. We model three fuzzy membership functions for three selection criteria and aggregate them by Einstein and averaging operators providing FMCE for pixel pairs. MOEA-MCD uses the heuristic information for each criterion by multicriteria decomposition that divides the single objective into multiple objectives and optimizes them simultaneously using a multiobjective optimizer with neighborhood grouping strategy. Experimental results show that FMCE accurately evaluates pixel pairs even in uncertain cases with low satisfaction degree of some evaluation criteria, and the heuristic information for each criterion enhances the population diversity of MOEA-MCD. MOEA-MCD outperforms state-of-the-art large-scale optimization approaches and sampling-based image matting approaches.

中文翻译：

---

基于模糊多准则评估和分解的多目标进化优化改进图像抠图

图像抠图正在为包括图像/视频编辑在内的广泛应用而发展。基于采样的图像抠图旨在通过为每个未知像素正确选择一对前景和背景像素来估计前景对象的不透明度。基于采样的图像抠图本质上是一个不确定的多准则优化问题 (UMCOP)。它在并行化和处理空间不连续区域方面显示出独特的优势。然而，基于采样的方法在准确评估像素对和有效优化大规模 UMCOP 方面遇到困难。为了解决这两个问题，提出了模糊多准则评估（FMCE）和基于多准则分解的多目标进化算法（MOEA-MCD）。我们为三个选择标准对三个模糊隶属函数建模，并通过爱因斯坦和平均算子对它们进行聚合，为像素对提供 FMCE。MOEA-MCD 通过多准则分解使用每个准则的启发式信息，该分解将单个目标划分为多个目标，并使用具有邻域分组策略的多目标优化器同时优化它们。实验结果表明，即使在某些评估标准满意度较低的不确定情况下，FMCE 也能准确评估像素对，并且每个标准的启发式信息增强了 MOEA-MCD 的种群多样性。MOEA-MCD 优于最先进的大规模优化方法和基于采样的图像抠图方法。MOEA-MCD 通过多准则分解使用每个准则的启发式信息，该分解将单个目标划分为多个目标，并使用具有邻域分组策略的多目标优化器同时优化它们。实验结果表明，即使在某些评估标准满意度较低的不确定情况下，FMCE 也能准确评估像素对，并且每个标准的启发式信息增强了 MOEA-MCD 的种群多样性。MOEA-MCD 优于最先进的大规模优化方法和基于采样的图像抠图方法。MOEA-MCD 通过多准则分解使用每个准则的启发式信息，该分解将单个目标划分为多个目标，并使用具有邻域分组策略的多目标优化器同时优化它们。实验结果表明，即使在某些评估标准满意度较低的不确定情况下，FMCE 也能准确评估像素对，并且每个标准的启发式信息增强了 MOEA-MCD 的种群多样性。MOEA-MCD 优于最先进的大规模优化方法和基于采样的图像抠图方法。实验结果表明，即使在某些评估标准满意度较低的不确定情况下，FMCE 也能准确评估像素对，并且每个标准的启发式信息增强了 MOEA-MCD 的种群多样性。MOEA-MCD 优于最先进的大规模优化方法和基于采样的图像抠图方法。实验结果表明，即使在某些评估标准满意度较低的不确定情况下，FMCE 也能准确评估像素对，并且每个标准的启发式信息增强了 MOEA-MCD 的种群多样性。MOEA-MCD 优于最先进的大规模优化方法和基于采样的图像抠图方法。