Lazysnapping Grabcut 算法实现的结果

8月8号到8月18号，根据Lazysnapping的论文和一些资料，做了算法实现 但是前期处理和LS不同， 其实不算真正实现LS。

有人用通俗易懂的话这样解释：

首先，当一张图被导入到Lazy snapping中时，软件会自动采用watershed对该图进行处理。接下来，用户通过划线，确定F和B。如果从像素点的角度来看，一旦画了一条线，则这条线经过的像素点被称为“种子点”，这些“种子点”所涉及到的区域被称为“种子区域”。借助这些“种子区域”将图片分为F 和B 。利用Graph Cut优化算法，图片上所有区域会被赋予惟一的属性，不属于“前景区域”就一定会属于“背景区域”。
在经过处理后的图片中，相邻的区域连接在一起。而接下来Graph Cut优化算法要做的，就是尝试将每个非“种子区域”分别与“前景区域”（或“背景区域”）之间的通路“打断”。如果全部通路都可以被打断，则软件猜测该区域不属于F，则可能属于B。也就将我们所需要的前景的大致轮廓勾勒了出来。
Graph Cut 优化的准则，考虑了每一个区域的颜色与种子区域之间的颜色相似性，颜色越像“前景区域”就越可能被分在前景。同时它也考虑了相邻区域的颜色差别，颜色差别越大这两个区域越可能被分开。这个优化问题可以用图论中极大流（极小割）的方法很快解决。

 

实质上就是图像里面将问题转换成最大流最小割问题。 主要是将前景设置为sink 也就是终点， 背景设置为source 源。中间点 根据它们离前景和背景的每个像素点的颜色差值 来设置流入和流出权重，离前景越近 流入的权重越多 流出的权重越少。每条边的值 是与颜色差成反比，两个点颜色越不相似，值越小，也就是容积越小。 这个是GrabCut的本质 因为LS的关键是将Grabcut和预处理进行了很好的结合，将速度提升了。而这一步，我是没做的。

傻乎乎的写完之后 ，才弄清楚。。。。哎 回头有空用opencv里的资源再实现一次。

 

基本框架来自于 http://lzhj.me/archives/93 的源码，thx

他的和原文的差别主要在 GraphCut的预处理 是通过降低像素来进行，原文用了watershed来初分割。

其次，原文不是用平均距离来计算 该点到F其他点的距离，而是将F中的点进行64的kmeans聚类，然后寻找其中最小的距离点。

再次，E2的计算方法不同。

然后改进根据gimp的开源代码进行了改进  http://graphics.ethz.ch/teaching/former/imagesynthesis_06/miniprojects/p2/index.html

lzhj的程序 分割 出来会有许多零碎区域，但是如果在计算E1时，加入kmeans聚类，则 这样的 区域会减少很多。

而对E2的修正 能够 很好的提升结果。

采用一些小小的技巧，可以使得算法不一定要背景笔 也能得到目标分割

算法前期处理改进可以有两个方面，meanshift 和watershed。

前期处理测试watershed floodfilled 但不知为啥 效果不佳，估计哪里出了点小错。没继续修改了，最后加入Meanshift结合金字塔算法对图像进行平滑，平滑前用floodfilled算法 很难获取比较大的区域，平滑后，如果目标不是很复杂，是可以获取整个目标区域的。

 

将用gimp测试图跑的结果放上来：

 

为了速度快，我将图压缩了，所以会有一点锯齿。

如果没有这个需求 可以跑出很精致的图的。