图像分割算法简介（下）

4.基于图论的图像分割

将图论的方法用于图像处理，主要是将图像与图进行映射，利用图的分割方法进行图像分割。

通俗来说，图像映射为图之后，根据采取的准则方法，图像中的前景和背景都转化为了图中的顶点，并且每个顶点之间都被赋予了一定的权值。若将这个图割开来一分为二，当割在前景顶点和背景顶点之间时能得到最小的一个割。GraphCut^[10]采用图论中的最小割（Minimum Cut）来实现分割，并用最大流（Max-flow）来得到这个最小割^[11]。

GraphCut有两个关键步骤：一、构造网络图，网络图中有图像中的N个像素作为顶点，还有一个源点S和一个汇点T，最后希望得到所有前景与源点相连，背景与汇点相连的分割结果。二、是构造能量函数，每一个割对应一个能量函数的值，当割处在前景和背景之间时，能量函数达到最优值。这样对图像的分割问题转化为了利用图论对能量函数进行优化的问题。

在构造网络图中，需要通过用户交互的方式，指定一些像素作为前景和背景（例如在前景和背景上分别划线，选择被覆盖的像素）。然后开始对每个顶点建立连接、并对边赋予权值。每个顶点（除图像边界点外），有2种类型的边，共10条。一类是分别与源点S、汇点T建立的连接叫T-link，剩下的是与周围8邻域顶点建立的连接叫n-link，T-link负责决定一个像素在灰度上是偏向前景多一些还是偏向背景多一些，N-link则考虑像素之间在空间上的邻接关系。

每个像素通过与指定的前景和背景像素的比较，利用灰度相似性的信息，可以确定他们与S和T的连接强弱（权值大小），此时T-link是根据直方图模型来进行建模的。同时根据邻域关系建立的边，把图像分割时的空域信息考虑进去了，这样通过最优化能量函数得出的网络图中的割能从复杂背景中很好的分割出目标。

GrubCut^[12]是另一种基于图论的图像分割方法。其从图像到图的基本映射原理与GraphCut是一样的，区别在于GrubCut的交互方式更简单，只需要用户画一个矩形框，将待分割的目标完整地框起来，算法将自动迭代完成图像的分割。同时与GraphCut的目标和背景的模型是灰度直方图不同，GrabCut取代为RGB三通道的混合高斯模型GMM。

GrubCut的基本方法是，将图像中用户指定的框外的像素全部作为背景，而框内的像素设定为可能前景。通过背景元素和可能的前景元素分别训练前景和背景的混合高斯模型GMM的参数，然后通过这个的混合高斯模型GMM计算网络图中T-link，再根据邻域关系建立N-link，到此网络图构造结束。

根据最小割-最大流的方法，求此GMM模型下的最佳分割，然后，再用分割后的数据再次训练前景和背景的GMM参数，再次计算T-link，并进行求割，如此迭代，因为每次迭代能量都是递减的，所以可以保证收敛，并得到最后的分割结果。

5.基于主动轮廓模型的图像分割