Graph cut

最新推荐文章于 2022-07-16 08:00:00 发布
最新推荐文章于 2022-07-16 08:00:00 发布
阅读量1.2k 收藏
点赞数
分类专栏： 图形学

【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】

 【应用】

Graph cuts最主要的应用是图像分割。

在Boykov 和 Kolmogorov 俩人的主页上就有大量的code。包括maxflow/min-cut、stereo algorithms等算法：

http://vision.csd.uwo.ca/code/

http://www.cs.ucl.ac.uk/staff/V.Kolmogorov/software.html

以及olga. Veksler的

http://www.csd.uwo.ca/faculty/olga/code.html

Graph cut是一种energy minimization的方法，用来解first-order markov Random Field比用Belief Propagation感觉更好，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。刚开始看graph cut的时候不着门道，走了很多弯路，现在总结起来可以这样学习：
1。学习algorithm课本里的关于graph那一节，或者google maxflow/mincut相关的内容，有介绍mincut的两种解法；
2。然后就开始看用graphcut解决computer vision里的问题，首先要看的是《Interactive Graph Cuts for Optimal Boundary & Region Segmentation of Objects in N-D  Images》iccv 01。这篇paper讲怎么用graphcut来做image segmentation；
3。看Fast Approximate Energy Minimization via Graph Cuts (Boykov, Veksler and Zabih, PAMI '01)，这篇paper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。后面的关于graphcut的TPAMI的文章都没有介绍如何构造graph来解问题， 这篇比较关键；
看了以上几个文章后，基本就可以看懂关于graphcut的论文了，就可以深入下去了。

http://www.cs.cornell.edu/~rdz/graphcuts.html

Recommended Paper
Yuri Boykov, Olga Veksler, Ramin Zabih. Fast Approximate Energy Minimization via Graph Cuts. IEEE Trans. Pattern Anal. Mach. Intell. 23(11): 1222-1239, 2001.
Graph Cuts Home Page
http://www.cs.cornell.edu/~rdz/graphcuts.html
Source code:
http://www.cs.ucl.ac.uk/staff/V.Kolmogorov/software.html

luckyboy101
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Boykov的GraphCut算法
07-06
Boykov的经典的Labeling算法，用于GraphCut。 To use this software, YOU MUST CITE the following in any resulting publication: [1] Efficient Approximate Energy Minimization via Graph Cuts. Y. Boykov, O. Veksler, R.Zabih. IEEE TPAMI, 20(12):1222-1239, Nov 2001. [2] What Energy Functions can be Minimized via Graph Cuts? V. Kolmogorov, R.Zabih. IEEE TPAMI, 26(2):147-159, Feb 2004. [3] An Experimental Comparison of Min-Cut/Max-Flow Algorithms for Energy Minimization in Vision. Y. Boykov, V. Kolmogorov. IEEE TPAMI, 26(9):1124-1137, Sep 2004. Furthermore, if you use the label cost feature (setLabelCost), you should cite [4] Fast Approximate Energy Minimization with Label Costs. A. Delong, A. Osokin, H. N. Isack, Y. Boykov. In CVPR, June 2010.
Graphcut-源码及实现
11-03
Graphcut-源码及实现，基于opencv实现。可直接运行，其中鼠标左右键分别用于选择正、负种子点。
[转载]Graph cut入门学习
shixiaolong
12-01 3160
最近看图割的论文，看见一个很好的入门介绍：原文地址Graph cut入门学习Graph cut Graph cut是一种energy minimization的方法，用来解first-order markov Random Field比用Belief Propagation感觉更好，比用dynamic programming(只用1D求解), gradient decedent, simulate
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） [email protected] 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
graph cut
luckyboy101的专栏
01-19 3613
1、http://www.cs.cmu.edu/~mohitg/segmentation.htm   Interactive Segmentation Tool-Box An implementation of ‘Lazy Snapping’ and ‘GrabCut’: Based on Interactive Graph Cuts Lazy Snapping [2] and
GraphCut进行图像分割
12-14
GraphCut进行图像分割
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
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。
graphcutmatlab代码-GrabCut-GraphCut:用于交互式图像分割的GrabCut和GraphCut的Matlab实现
05-23
graphcut Matlab代码GrabCut-GraphCut 用于交互式图像分割的GrabCut和GraphCut的Matlab实现。 GrabCut需要用户提供一个边界框来分割一个对象。 在获得初始细分后，用户可以提供涂鸦以进行细化。 GraphCut需要用户为...
GraphCut-master.zip
05-07
graphcut python版的代码，适合图像分割新手入门，效果直观，欢迎下载学习。 运行环境 python3.6 所需库函数：numpy,opencv-python,PyMaxflow
基于Graphcut的图像分割(Matlab)
12-19
牛人Yori Boykov写的关于Graphcut的Matlab程序，完整实例。对学习Graphcuts很有帮助。基于文章
图割算法代码matlab-graphCutDynamicMex_BoykovKolmogorov:Boykov和Kolmogorov对最大流量
06-13
图割算法代码matlab
graphcut用于图像分割的matlab代码
03-05
graphcut用于图像分割的matlab代码
CV | Max Flow / Min Cut 最大流最小割算法学习
iLOVEJohnny的博客
07-24 1万+
最大流/最小割（Max-Flow/Min-Cut）算法，因其可以对能量方程最小化进行求解，在计算机视觉（CV）中有很广泛的应用。之前介绍过的Seam Carving算法（用于图像智能缩放），或是图像分割算法中，经常使用最大流/最小割进行能量方程的最小化求解。
Graph Cuts学习
m0_63172128的博客
07-16 786
想先把图放上来，这个是研究学习了之后绘制的，效果虽然不是很好。下面是我将原图转化成了HSV和RGB通道，然后对他们每个单通道都进行了一遍Graph Cuts。 1.Graph Cuts是图像分割中的一种方法，这种方法是通过使用图的形式来求解能量函数。确定能量函数的可以给图的边赋予相应的权值，从而可以把能量函数完全转换成一幅S/T图，在使用图的性质求解图的最大流/最小割，求出全局最优也就是全局能量最小。2.graph cut 就是基于graph(图论)的各种分割算法，如NCut，最小割，RatioCut，图割
Graph cut入门学习
luckyboy101的专栏
01-20 2678
1、Graphcut,让人欢喜让人忧 2007-09-06 21:50 终于和陈贤弟，进入Graphcut得学习了，只是这一块一直为我所难以啃掉得硬骨头，在我毕业之前能不能咬下来，希望可以，只是近日再度回首，发现其涉及得理论，有一点前沿，虽然三四年前提出得东西，但由于作者交代得简单，含糊，使得这一技术得应用受到了严重得限制，几乎很多人都知道 Graphcut可是又有多少人可
基于TC72（SPI接口）温度传感器、STM32F103C8T6、LCD1602、FREERTOS的温度采集proteus仿真
最新发布
05-21
spi
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。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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