Graph Cuts中的最小割－最大流见解

最小割－最大流
１．最小割
：以最小的代价让ｓ到到不了t。未割时，两相邻pixel属于同一类，当p-------q被割开时，q与q则各自属于s和t类（在图像分割中则是foreground 和background）
2.　最大流
：可以理解为多个集合的交集，最后能从s到达t的肯定是能满足这个过程中所有的“两点之间weight“的值。

通常情况下：都是将最小割的问题转化为最大流的问题来求解

两种求解方法：

１．Ford-Fulkerson方法
首先了解什么是augmenting path(增广路经)
:①是一条从s到t的无向路径，可以经过非满的forward paths（s—>t）或者是非空的backward paths(t—>s)
②FF算法的思想：只要存在从ｓ到ｔ的路径，在路径中的所有边缘上具有可用容量，就沿着其中一个path发送flow。 然后我们找到另一条路径，依此类推。 具有可用容量的路径称为扩充路径(增广路径)
注：FF其实是一种贪婪算法，在不断地找augmenting path，直到找不到为止，此时则结束

在这三处地方切开则正好似的s到打不了t，同时结果也满足最小割。

２．Yuri Boykov的优化算法
：关键点
：①在树S和T中只有两种状态(主动and被动)，Active point还可以扩展树，而Passive point作为搜索树的内部节点，不能扩展。
主动态节点因为可以向外扩展，所以有可能会搜索到另一搜索树的节点，当主动节点检测到另一搜索树的节点，就找到了一条增广路径。
　②算法的三步走战略
　 Ａ：搜索树S和T扩展节点，直到两树相遇，得到一条由源点s到汇点t的增广路径
　 Ｂ：根据找到的增广路径将搜索树拆分为子树或森林
　 Ｃ：搜索树S和T的重新构建
　 整体流程：初始化时，搜索树S只有源点s为主动节点，搜索树T只有汇点t作为主动节点，增长搜索树直到它们的主动节点相遇，得到一条增广路径P。如果P为空则算法终止，反之则对P进行增广流量处理。然后对孤点进行领养处理，以此循环。
　③最大流的求解过程就是循环重复以上三个阶段，直到搜索树S和T不能再增长。
　很赞同该博主的看法。

最大流转化为最小割的问题
：
对于上图，把流量已经占满的边去掉，得到如下图

在该图中，以s为顶点去遍历(以BFS为例),遍历结束后，可以得到遍历经过的所有点：S、B、C、D。
　这样，把S、B、C、D构成一个子图（图4中紫色部分），其他的点A、E、F、t构成另一个子图（图4中黄色部分）。连接两个子图的边有两种情况：

1. 已占满的forward paths: s -> A， B -> E， D -> t
2. 未占满的backward paths: A -> B， E -> D
   其中“已被占满的前向边”就是我们要求的最小割。对上图来说，就是”s -> A”、”B -> E”、”D -> t”这3条边。

补充：１．对s和t的理解
　　　　：s和t都是终点，它们可以直接连接图中各个节点，从而给每个节点打label，意味着每个终点表示一类，例如图中有两个终点，则该图像最终只会被分为两种标签值。　　　
　　　　　　　　　　　
例如用最小割－最大流的方法cut之后(如图绿线所示)划分为两个不相交的子集,上面的点则被分为s类(foreground)，而下面的点则被分为t类(background)
　　　２．对能量函数的理解
　　　　：
　　　　t_link －－惩罚项(像素点自身的能量评测项)
　　　　n_link－－互动项(两像素之间的不连续性对整体能量值的影响)

Summary:　在图像分割中想分出前景和背景－－－>将一个图中的所有节点划分为两个互不相交的集合,前景在集合Ｓ中,背景在集合T中－－－>采用最小割的方法以最小的代价(weight)让俩集合分开(即让s到不了t)－－－>等价于求最大流问题－－－>采用增广路径算法－－－>Ford-Fulkerson算法　or 　Yuri Boykov的优化算法