LazySnapping算法详解

LazySnapping 算法

简介

这是一篇和GrabCut同时期的算法，论文名称就叫《Lazy Snapping》，他的作用是用户交互指定前景背景来分割，如图所示。

我还是使用的Eigen库+maxflow库实现，代码库链接如下：MaxtirError/LazySnaping: LazySnaping algorithm with pure C++ and Qt GUI (github.com)

这篇文章仍然用到了两个简单的前置算法：分水岭算法和k-means聚类，下面简单介绍

分水岭算法

这个算法被用于图像预分割，想法非常巧妙。首先，图像转灰度，其次，把灰度看成高度，那么整张图片形成了一张地形图，尝试把水注入地形图中，当两块水域合并的时候，修筑堤坝，分割这两块小区域。实际上就是以每个局部极小值为中心把图像分割成若干块。

我并没有去阅读这个算法的原论文，而是基于上面的想法写了如下算法。

1. 图像转灰度图

2. 从小到大扫描灰度，对于扫描到的新点$u$，考虑和他四相邻的节点$v_i$：

• 对于已经被扫描过且满足$Gray(u)-Gray(v)<=thred(20)$的$v_i$，直接把这个新点$u$划分到随便一个$v_i$所在区域。

• 如果不存在这样的$v_i$，把$u$划分到一个新的区域

扫描完所有灰度之后，可以得到一个划分。

如下是某张图划分的结果

原图：

分水岭算法：

可以看到，很多相似的像素区域（比如天空）被很好地划分了。

这个算法最显著的效果就是：优化了参数空间。

原图大小是960*720，优化过后的region只有32298，只有原图的4%左右

k-means聚类

类似GMM的一个聚类算法，但是比GMM简单很多。输入是一堆数据 { X i } \{X_i\} { Xi​}，希望找到一个大小为k的划分 { S 1 ⋯ S k } \{S_1\cdots S_k\} { S1​⋯Sk​}，使得$En$