计算机视觉：关于Graph cuts的简介及相关资源

最新推荐文章于 2022-07-16 08:00:00 发布

hebby06

最新推荐文章于 2022-07-16 08:00:00 发布

阅读量1.2w

点赞数 2

文章标签： graph parameters 图像处理算法 image random

本文链接：https://blog.csdn.net/hebby06/article/details/5341228

版权

【简介】

Graph Cuts 不等于 graph cut(如 min cut、normalized cut、RatioCut)，是最近在计算机视觉中研究和应用比较多的energy minimization（能量函数最小化）优化算法，典型的用于stereo matching, image restortion, texture synthesis等应用。

这个优化算法用来解 markov Random Field. 有实验<Comparison of Graph Cuts with Belief Propagation for Stereo, using Identical MRF Parameters>显示，Graph Cuts比用Belief Propagation更好，比用dynamic programming(只用1D求解), gradient decedent, simulated annealing, etc 要好得更多；特别是使用a-b-swap, 和 a-expansion的时候。

【原理】

<Fast Approximate Energy Minimization via Graph Cuts> (Boykov, Veksler and Zabih, PAMI '01)，这篇paper是graph cuts的开山之作，系统介绍了如何构造graph和energy term来解stereo disparity, motion等问题，也比较直观的介绍了a-expansion。

<GRAPH BASED ALGORITHMS FOR SCENE RECONSTRUCTION FROM TWO OR MORE VIEWS> (Kolmogorov's PhD thesis 04), 这篇论文是Kolmogorov的博士论文，实现了Graph CUT用于立体视觉的匹配，它改善了传统GRAPH CUT计算耗时的缺点，他还因此称为微软一员，专门从事GRAPH CUT在图像处理上的应用。

<What energy functions can be minimized via graph cuts> (Kolmogorov PAMI '04). 本文首先介绍了需要通过graph cut最小化的能量函数的特性。虽然是二进制变量但是很容易推广到其他方面。详细描述了通过graphcut最小化的能量函数。并提供了最小化能量函数的通用构建。最后给出了最小化二进制能量函数的必要条件。