1.一种基于图像稀疏表示的抠图方法,其特征是该方法首先构建matting图的稀疏表达字典，将图像的matting图与对应ground truth作为训练样本，从而构建出一个超完备字典,然后利用梯度信息提取图像特征，matting图像选择一阶和二阶梯度信息作为特征，ground truth图像选择高频分量作为图像块的特征,最后对KNN算法得到的matting图像，利用训练所得的稀疏字典对matting图重构来进行优化。

2.如权利要求1所述的一种基于图像稀疏表示的抠图方法，其特征是，主要包含以下几个步骤：

步骤1：输入目标图像以及该图像的ground truth图像；

步骤2：使用K近邻抠图(K nearest neighbors,KNN matting)算法估计初始alpha遮罩；

步骤3：利用字典训练初始估计的alpha遮罩和GT图像之间的残差；

步骤4：求解matting图像的稀疏表示系数，重建matting图像；

步骤5：字典更新，对字典的列向量逐列更新；

步骤6：对新的目标图像执行步骤2到步骤6，得到最终的matting图像。

3.如权利要求2所述的一种基于图像稀疏表示的抠图方法，其特征是，所述步骤2首先用K近邻算法计算关系矩阵;然后提取特征向量，构造拉普拉斯矩阵;最后利用拉普拉斯矩阵结合用户交互信息，求出闭合形式解。

4.如权利要求2所述的一种基于图像稀疏表示的抠图方法，其特征是，所述步骤3对于稀疏字典的学习，就是寻找在稀疏表示下最优基的构造，获得更加稀疏、准确的表示,首先对所有的训练样本，需要求解稀疏表示，一般分为两步迭代求解：进行稀疏编码和字典更新阶段,然后根据求解出来的稀疏表示更新字典,对字典进行逐列更新，每次只更新一列以及其对应的训练样本，最终可以得到图像残差。

5.如权利要求2所述的一种基于图像稀疏表示的抠图方法，其特征是，所述步骤4首先利用梯度信息提取图像特征，matting图像选择一阶和二阶梯度信息作为特征，ground truth图像选择高频分量作为图像块的特征,然后定义训练数据，对matting图像和ground truth图像的图像块统一进行稀疏关联学习，统一到一个稀疏字典中，实现相同的稀疏表示，将两个训练数据集整合到一个向量中，重新构建函数,接着对matting图像进行预处理得到特征向量集，利用OMP算法求解稀疏表示系数，最后对matting图像进行重构。