数字图像抠图是当前计算机视觉的热门研究问题之一,其广泛应用于电脑特效制作、电影电视作品创作等领域。图像抠图的本质是图像的软分割,旨在提取图片、视频流中创作者感兴趣的前景物体,并将其同背景剥离和目标背景进行融合,从而获得新的具有视觉冲击力的图片或视频流。电影工业上常用绿幕来辅助抠图,但在自然图像中,如何精确地提取前景物体成为了当前研究的重难点。目标物体边缘的细节信息,包括动物的毛发、半透明的物件、颜色相近的物体、模糊的轮廓都会不同程度地影响图像抠图精度。为了解决当前难以提升的自然图像抠图精度问题,本文在研究了传统的根据传播和颜色采样的抠图方法基础之上,提出了一个基于深度神经网络的自然图像抠图算法,主要内容如下:研究了经典卷积神经网络的各个组成部分,并以Res Net网络为骨干进行改进,不同于当前图像分割领域常用的单次编码解码网络,本文网络在此基础上采用了从原始图像中获取的多尺度图像特征,结合通道域的注意力机制,学习低层次图像空间及外观信息,提出了基于多尺度通道注意力的抠图网络。此外为了增加网络深度,运用多次编码解码结构的特征复用网络传递高级不透明度特征信息,扩大了卷积核上的感受野。该方法能够提高空间精度,加强网络语义信息的获取能力。同时在采样过程中加入特征密集连接模块,将同层级的编码解码特征信息高效传递和复用,加强了网络提取非近邻特征的能力,构成特征复用结构的卷积神经抠图网络。本文网络在公开数据集上进行了训练和测试,验证了文章提出的不同模块抠图效果及有效性。与基准网络相比,实验结果显示本文提出的抠图算法可以达到较高的精度,在Adobe数据集上以均方误差MSE为标准的测试结果比Deep Image Matting方法提高25.7%,达到了提升抠图精度的预期效果。