GrabCut算法详解：从GMM模型说起

GrabCut算法详解：从GMM模型说起

最近正在学习CG，争取有时间就看点论文写写代码。

GrabCut在OpenCv里面是有内置函数的，不过我还是用C++纯手工实现了一边原汁原味的论文，github链接GrabCut，里面有具体的实现代码和步骤，还有实现结果，欢迎来hack

简介

GrabCut是04年的一篇文章，是少数用传统方法~~（对，就是没用神经网络的意思）~~解决前景和背景分离的算法。

需要的前置知识有：

1. 混合多高斯模型

2. 最小割集合划分

下面先介绍这两个模型

备注：本文不含任何数学证明，仅仅介绍算法，如果想要严格证明请移步百度

GMM模型

多维单高斯模型和混合模型

平平无奇的一手公式：维数是$D$，均值是$\mu$，协方差$\Sigma$，参数集合 θ = { μ , Σ } \theta=\{\mu, \Sigma\} θ={ μ,Σ}

$$X\sim N(\mu ,\Sigma ):P(x|\theta )=\varphi (x|\mu ,\Sigma )=\frac{1}{(2\pi {)}^{D/2}sqrt|\Sigma |}exp\{(x-\mu {)}^T{\Sigma }^{-1}(x-\mu )\}$$

其实混合模型就是字面意思，把很多个模型通过一定的概率混合起来，我们首先定义模型的个数$K$，那么参数集合就变成了 θ = { μ k , Σ k , π k } \theta=\{\mu_k,\Sigma_k,\pi_k\} θ={ μk​,Σk​,πk​}，其中${\pi }_k$是第$k$个模型的混合加权系数

$$P(x|\theta )=\sum _k^K{\pi }_k\varphi (x|{\mu }_k,{\Sigma }_k)$$

混合高斯模型的应用和EM算法

应用很简单：聚类。也就是如果我们假设一堆数据恰好分成K堆并且可以看成每类都是正太分布，那么如果能用GMM模型去拟合这些数据，我们只需要算出每个数据属于某个高斯模型的概率，就可以把这些数据分类了。

拟合的算法有一个经典的EM算法。本质似乎是最大似然概率优化。不过本文通过Local/Global的视角去看待这个算法。

EM算法

输入：数据$z_1\cdots z_n$和指定的参数$K$

输出：拟合参数 θ = { μ k , Σ k , π k } \theta = \{\mu_k,\Sigma_k,\pi_k\} θ={ μk​,Σk​,πk​}

1. 初始化参数，包括正则化数据，随机化均值，单位化方差和混合比

2. Esitimate步骤，计算后验概率${\gamma }_{jk}$

• γ j k = π k ϕ ( z j ∣ θ k ) ∑ k K π k ϕ