Graph Cut

最新推荐文章于 2024-06-10 09:54:15 发布
最新推荐文章于 2024-06-10 09:54:15 发布
阅读量970 收藏 14
点赞数 3
分类专栏： 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Zlp19970106/article/details/106642441
版权

Graph Cut

        Graph cuts是一种十分有用和流行的能量优化算法，在计算机视觉领域普遍应用于前背景分割（Image segmentation）、立体视觉**（stereo vision）、抠图（Image matting）等。

1. Graph Cuts图

        此类方法把图像分割问题与图的最小割（min cut）问题相关联。首先用一个无向图G=<V，E>表示要分割的图像，V和E分别是顶点（vertex）和边（edge）的集合。此处的Graph和普通的Graph稍有不同。普通的图由顶点和边构成，如果边的有方向的，这样的图被则称为有向图，否则为无向图，且边是有权值的，不同的边可以有不同的权值，分别代表不同的物理意义。而Graph Cuts图是在普通图的基础上多了2个顶点，这2个顶点分别用符号”S”和”T”表示，统称为终端顶点。其它所有的顶点都必须和这2个顶点相连形成边集合中的一部分。所以Graph Cuts中有两种顶点，也有两种边。
        第一种顶点和边：第一种普通顶点对应于图像中的每个像素。每两个邻域顶点（对应于图像中每两个邻域像素）的连接就是一条边。这种边也叫n-links。
        第二种顶点和边：除图像像素外，还有另外两个终端顶点，叫S（source：源点，取源头之意）和T（sink：汇点，取汇聚之意）。每个普通顶点和这2个终端顶点之间都有连接，组成第二种边。这种边也叫t-links。
在这里插入图片描述
        上图就是一个图像对应的s-t图，每个像素对应图中的一个相应顶点，另外还有s和t两个顶点。上图有两种边，实线的边表示每两个邻域普通顶点连接的边n-links，虚线的边表示每个普通顶点与s和t连接的边t-links。在前后景分割中，s一般表示前景目标，t一般表示背景。
        图中每条边都有一个非负的权值we，也可以理解为cost（代价或者费用）。一个cut（割）就是图中边集合E的一个子集C，那这个割的cost（表示为|C|）就是边子集C的所有边的权值的总和。
        Graph Cuts中的Cuts是指这样一个边的集合，很显然这些边集合包括了上面2种边，该集合中所有边的断开会导致残留”S”和”T”图的分开，所以就称为“割”。如果一个割，它的边的所有权值之和最小，那么这个就称为最小割，也就是图割的结果。而福特-富克森定理表明，网路的最大流max flow与最小割min cut相等。所以由Boykov和Kolmogorov发明的max-flow/min-cut算法就可以用来获得s-t图的最小割。这个最小割把图的顶点划分为两个不相交的子集S和T，其中s∈S，t∈ T和S∪T=V。这两个子集就对应于图像的前景像素集和背景像素集，那就相当于完成了图像分割。
        也就是说图中边的权值就决定了最后的分割结果，那么这些边的权值怎么确定呢？

2. 最小化能量函数

        图像分割可以看成pixel labeling（像素标记）问题，目标（s-node）的label设为1，背景（t-node）的label设为0，这个过程可以通过最小化图割来最小化能量函数得到。那很明显，发生在目标和背景的边界处的cut就是我们想要的（相当于把图像中背景和目标连接的地方割开，那就相当于把其分割了）。同时，这时候能量也应该是最小的。假设整幅图像的标签label（每个像素的label）为L= {l1,l2,li,…, lp }，其中p是图像中像素的个数，li为0（背景）或者1（目标）。那假设图像的分割为L时，图像的能量可以表示为:
                        E(L)=aR(L)+B(L)

        其中，R(L)为区域项（regional term），B(L)为边界项（boundary term），而a就是区域项和边界项之间的重要因子，用来权衡区域和边缘的关系，决定它们对能量的影响大小。如果a为0，那么就只考虑边界因素，不考虑区域因素。E(L)表示的是权值，即损失函数，也叫能量函数，图割的目标就是优化能量函数使其值达到最小。

（1）区域项：

在这里插入图片描述
        其中Rp(lp)表示为像素p分配标签lp的惩罚，Rp(lp)能量项的权值可以通过比较像素p的灰度和给定的背景和前景的灰度直方图来获得，换句话说就是像素p属于标签lp的概率，我希望像素p分配为其概率最大的标签lp，这时候我们希望能量最小，所以一般取概率的负对数值，故t-link的权值如下:

        由上面两个公式可以看到，当像素p的灰度值属于目标的概率Pr(Ip|’obj’)大于背景Pr(Ip|’bkg’)，那么Rp(1)就小于Rp(0)，也就是说当像素p更有可能属于目标时，将p归类为目标就会使能量R(L)小。那么，如果全部的像素都被正确划分为目标或者背景，那么这时候能量就是最小的。

（2） 边界项：

        其中，p和q为邻域像素，边界平滑项主要体现分割L的边界属性，B<p,q>可以解析为像素p和q之间不连续的惩罚，一般来说如果p和q越相似（例如它们的灰度），那么B<p,q>越大，如果他们非常不同，那么B<p,q>就接近于0。换句话说，如果两邻域像素差别很小，那么它属于同一个目标或者同一背景的可能性就很大，如果他们的差别很大，那说明这两个像素很有可能处于目标和背景的边缘部分，则被分割开的可能性比较大，所以当两邻域像素差别越大，B<p,q>越小，即能量越小。
        综上：当像素强度倾向于目标像素时，该像素与终端顶点s所连成的边的权值weight要大于终端顶点t与该像素相连形成的边的权值，为了使能量函数更小，即需要割断该点与终端顶点t所连成的边；当相邻像素相似时，B值较大，为了使能量函数尽量小，该处不该被分割，因此保留下来，反之，则可能被分割。

3. min cut

        所构建的图有两类顶点，两类边和两类权值。普通顶点由图像每个像素组成，每两个邻域像素之间存在一条边，它的权值由“边界平滑能量项”来决定。还有两个终端顶点s（目标）和t（背景），每个普通顶点和s都存在连接，也就是边，边的权值由“区域能量项”Rp(0)来决定，每个普通顶点和t连接的边的权值由“区域能量项”Rp(1)来决定。这样所有边的权值就可以确定了，也就是图就确定了。
在这里插入图片描述
         这时候，就可以通过min cut算法来找到最小的割，这个min cut就是权值和最小的边的集合，这些边的断开恰好可以使目标和背景被分割开，也就是min cut对应于能量的最小化。而min cut和图的max flow是等效的，故可以通过max flow算法来找到s-t图的min cut。
         目前的算法主要有：
         （1）Goldberg-Tarjan
         （2） Ford-Fulkerson
         （3）上述两种方法的改进算法

4. 分割示意图

         Graph cut的3x3图像分割示意图：取两个种子点（就是人为的指定分别属于目标和背景的两个像素点），然后建立一个图，，然后找到权值和最小的边的组合，也就是图中的cut，即完成了图像分割的功能。
在这里插入图片描述

5. 图割算法分类

        图割分割方法的发展方向大体分为了3类，分别是提高图割分割速度、交互式图割图像分割和加入先验形状的图割图像分割。

A. speed-up based graph cut
        传统的图割方法，将每个像素作为1个顶点进行计算，这样的计算量较大。然而在很多情况下，目标在图像中只占很小的部分，因此我们可以只对包含目标的部分图像计算，通过对背景的减除，实现降低计算量的目的。除此之外，当图像中相邻像素非常相似的时候，可将这两个像素合并成一个像素运算，因此，这里又引入了聚类算法。在其他思路上，用超像素方法，将每个超像素作为1个像素或者看做图的顶点进行运算，从而可以降低计算量。
B. Interactive-based graph cut
         在图像分割中，很多图像很难实现纯自动分割，因此，引入交互式方法是十分必要的。在部分文献中提到，用户手动设定边界框，边界框中心区域作为前景，通过对前景区域的像素运算可得到前景柱状图，反之，可得到背景柱状图。部分文献中，迭代交互式图割方法得到应用。这种方法将每次迭代后产生结果后，对种子点进行修正，添加更多种子点，直到分割结果满意为止，这种方法对弱边缘图像分割结果理想。
C. 加入先验信息的图割方法

6. 思考总结

        图割是非常好的分割方法，但是计算量大，个人认为减少计算量，自动确定种子点或目标区域是重要的改进方向。

7. 参考资料

[1]《Interactive Graph Cuts for Optimal Boundary & Region Segmentation of Objects in N-D Images》（Boykov，iccv01）
         这篇paper主要讲怎么用graph cut来做image segmentation。在Boykov 和 Kolmogorov 的主页上有大量的code，包括maxflow/min-cut、stereo algorithms等算法：
                  http://pub.ist.ac.at/~vnk/software.html
                  http://vision.csd.uwo.ca/code/

[2] 康奈尔大学的graphcuts研究主页：
                  http://www.cs.cornell.edu/~rdz/graphcuts.html
[3]《Image Segmentation: A Survey of Graph-cut Methods》（Faliu Yi，ICSAI 2012）

AutoMan-USTC
关注
  • 3
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
专栏目录
经典图割算法中图的构建及实现:Graph-Cut
juluwangriyue的博客
11-10 2407
讲解目前典型的3种图割算法：graph-cut、grab-but、one-cut。本文主要讲解graph-cut的方法在应用时，准则函数与图构建关系，如何构建图，以及如何代码实现图的构建。图割的原理网上文章和论文已介绍比较详细，不再详细介绍。该方法可谓是图割方法的开山鼻祖。该方法的准则函数如下：E(A)=λR(A)+B(A)E(A) = \lambda R(A) + B(A)E(A)=λR(A)+B(A)R(A)是先验惩罚项，B(A)是区域相似度惩罚项，λ\lambdaλ是平衡因子。该准则函数意义：同类间，
GraphCut算法介绍
weixin_48262500的博客
01-20 5312
Graph Cut（图形切割）应用于计算机视觉领域用来有效的解决各种低级计算机视觉问题，例如图像平滑（image smoothing）、立体应对问题（stereo correspondence problem）、图像分割（image segmentation）。 GraphCut利用最小割最大流算法进行图像的分割，可以将图像分割为前景和背景。使用该算法时需要在前景和背景处各画几笔作为输入，算法将建立各个像素点与前景背景相似度的赋权图，并通过求解最小切割区分前景和背景。 如果背景比较复杂或者背景和目标相似
图像分割利器：GraphCut
最新发布
gitblog_00053的博客
06-10 391
图像分割利器：GraphCut 项目地址:https://gitcode.com/NathanZabriskie/GraphCut 1、项目介绍 在数字图像处理领域，精准的图像分割是至关重要的一步。GraphCut 是一个基于图形割算法的开源实现，它带有一个自定义的GUI（图形用户界面），由 PyQt 框架构建。这个工具允许用户直接标记图像的前景和背景，然后通过建立像素间的图并计算最小割，实现高效...
图像分割之（二）Graph Cut（图割）
热门推荐
zouxy09的专栏
01-23 19万+
图像分割之（二）Graph Cut（图割） zouxy09@qq.com http://blog.csdn.net/zouxy09          上一文对主要的分割方法做了一个概述。那下面我们对其中几个比较感兴趣的算法做个学习。下面主要是Graph Cut，下一个博文我们再学习下Grab Cut，两者都是基于图论的分割方法。另外OpenCV实现了Grab Cut，具体的源码解读见博
图像处理15：GraphCut算法
weixin_39504171的博客
07-19 1060
图像处理15：GraphCut算法 （1）有向图、无向图相关概念： ①图的定义： 图在数据结构中是一对多的关系，一般分为无向图和有向图，常用邻近矩阵或邻接链表表示图中的节点关系。 图是由顶点集v和顶点间关系集合E（边）组成的数据结构，用二元组定义为G=（V,E）。 ②有向图和无向图： ...
计算机视觉：关于Graph cuts的简介及相关资源
hebby06的专栏
03-03 1万+
 【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 m
GraphCut进行图像分割
12-14
GraphCut是一种在计算机视觉领域广泛使用的图像分割算法，它的全称是Max Flow - Min Cut算法在图论中的应用。图像分割是将一张图像分成多个区域，每个区域具有相似的特征，如颜色、纹理或亮度。GraphCut算法通过构建...
MATLAB工具箱大全-图像分割graphcut工具箱
02-10
本资源“MATLAB工具箱大全-图像分割graphcut工具箱”专注于图像分割技术，特别是采用Graph Cut算法，这是一种在图像处理中极具效率和效果的分割方法。 图像分割是计算机视觉中的核心任务之一，其目的是将图像划分为...
GraphCut-master.zip
05-07
GraphCut算法是一种在计算机视觉领域广泛应用的图像分割技术，尤其适用于图像处理和计算机图形学的新手。这个"GraphCut-master.zip"压缩包包含了Python实现的GraphCut算法代码，适合初学者进行学习和实践。该算法...
Graph Cut图像分割算法——Python+Opencv实现
05-03
基于Opencv，使用python语言，以图割算法实现的图像分割。
基于能量函数的图像分割方法的研究
05-28
基于能量函数的图像分割方法的研究
graph cuts实现
03-12
graph cuts实现,原版改了一点点,在ubuntu14.04LTS64位下调试通过
graph cut matlab 代码 可以运行 能直观看到结果
08-18
graph cut matlab 代码 可以运行 能直观看到结果。下载觉不会后悔的。 对理解和使用matlab 函数都有帮助
vs2015 c++实现 Interactive graph cuts
01-30
vs2015 c++ opencv3.3.1 实现 Interactive graph cuts for optimal boundary & region segmentation of objects in N-D images code
graph cut matlab
11-10
graph cut matlab 代码 可以运行 能直观看到结果。下载觉不会后悔的。 对理解和使用matlab 函数都有帮助
图像分割之图割（Graph Cut）
阿兵-AI医疗的专栏
08-11 8991
基本概念         这里介绍一种用于n维图像数据的边界优化和区域分割的分割技术。该分割算法来自论文：Interactive Graph Cuts for Optimal Boundary & Region Segmentation of Objects in N-D Images。该方法通过交互式的或自动...
计算机视觉学习14：图像分割----Graph Cut
Charon的博客
06-11 735
图像分割 图像分割是将一幅图像分割成有意义区域的过程。区域可以是图像的前景与背景或 图像中一些单独的对象。这些区域可以利用一些诸如颜色、边界或近邻相似性等特 征进行构建。 图割:Graph Cut 图割是将一个有向图分割成两个互不相交的集合，可以用来解决很多计算机视觉方面的问题，诸如立体深度重建、图像拼接和图像分割等计算机视觉方面的不同问题。 从图像像素和像素的近邻创建一个图并引入一个能量或“代价...
GraphCut：一款高效图割算法实现，为图像分割带来新可能
gitblog_00020的博客
04-22 373
GraphCut：一款高效图割算法实现，为图像分割带来新可能 项目地址:https://gitcode.com/cm-jsw/GraphCut 项目简介 GraphCut 是一个基于 Python 的库，实现了经典的图割（Graph Cut）算法，用于解决图像分割问题。此项目的目的是提供一种简单易用的方式，让开发者和研究人员能够快速地在自己的应用中集成这一强大的图像处理工具。 技术分析 图割算...
graphcut python
09-06
Graphcut是一种图像分割算法，它基于图论理论和最小割最大流算法。在Python中，我们可以使用一些库来实现Graphcut算法，例如OpenCV和scikit-image。 在OpenCV中，我们可以使用grabCut函数来实现图像分割。在使用grabCut函数之前，我们需要准备一个掩膜图像，用于指示算法应该将图像的哪一部分视为背景和前景。掩膜图像通常是一个与原始图像尺寸相同的二进制图像，其中前景区域用白色表示，背景区域用黑色表示。 以下是一个使用OpenCV的grabCut函数的简单例子： ``` python import cv2 import numpy as np # 读取图像 img = cv2.imread('image.jpg') # 创建掩膜图像 mask = np.zeros(img.shape[:2], np.uint8) # 设置前景和背景模型 bgdModel = np.zeros((1,65),np.float64) fgdModel = np.zeros((1,65),np.float64) # 定义矩形边界（前景区域） rect = (50, 50, 300, 500) # 运行grabCut算法 cv2.grabCut(img, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_RECT) # 通过掩膜图像提取前景区域 mask2 = np.where((mask==2)|(mask==0), 0, 1).astype('uint8') img = img * mask2[:, :, np.newaxis] # 显示结果 cv2.imshow('image', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 另一个库scikit-image也提供了Graphcut的实现。在scikit-image中，我们可以使用函数`graph.cut_normalized`来实现图像分割。该函数需要构建一个图形数据结构，其中每个像素作为图的一个节点，通过定义节点之间的边来表示像素之间的相似性。然后运行图割算法，将图像分割为前景和背景。 以下是一个使用scikit-image的Graphcut算法的简单例子： ``` python import numpy as np from skimage.feature import graph from skimage.segmentation import cut_normalized from skimage.io import imread # 读取图像 img = imread('image.jpg') # 转换图像为灰度图 gray_img = np.mean(img, axis=2).astype('uint8') # 构建图形数据结构 g = graph.rag_mean_color(gray_img, img) # 运行图割算法 labels = cut_normalized(gray_img, g) # 对每个像素进行着色 out = img.copy() for i in np.unique(labels): out[labels == i] = np.mean(img[labels == i], axis=0) # 显示结果 plt.imshow(out) plt.axis('off') plt.show() ``` 上述例子中，我们首先将图像转换为灰度图，然后构建一个连通图，其中每个节点表示一个像素，边的权重表示像素之间的相似性。接下来，我们运行图割算法，并根据分割结果对每个像素进行着色，最后显示结果。 以上是使用Python实现Graphcut算法的简单示例。根据具体的应用场景和需求，我们可以进一步调整参数和优化算法来获得更好的分割效果。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值