图像分割GrabCut算法原理及代码实现（笔记）

原理部分参考zouxy09大神的博客：https://blog.csdn.net/zouxy09/article/details/8534954
GrabCut是Graphcut的一种升级版。该算法利用了图像中的纹理（颜色）信息和边界（反差）信息，只要少量的用户交互操作即可得到比较好的分割结果。

你只需要在目标外面画一个框，把目标框住，它就可以完成良好的分割：

Grab Cut和Graph Cut有何不同？

（1）Graph Cut的目标和背景的模型是灰度直方图，Grab Cut取代为RGB三通道的混合高斯模型GMM；

（2）Graph Cut的能量最小化（分割）是一次达到的，而Grab Cut取代为一个不断进行分割估计和模型参数学习的交互迭代过程；

（3）Graph Cut需要用户指定目标和背景的一些种子点，但是Grab Cut只需要提供背景区域的像素集就可以了。也就是说你只需要框选目标，那么在方框外的像素全部当成背景，这时候就可以对GMM进行建模和完成良好的分割了。即Grab Cut允许不完全的标注（incomplete labelling）。

1、RGB颜色空间模型

我们采用RGB颜色空间，分别用一个K个高斯分量（一取般K=5）的全协方差GMM（混合高斯模型）来对目标和背景进行建模。于是就存在一个额外的向量k = {k1, . . ., kn, . . ., kN}，其中kn就是第n个像素对应于哪个高斯分量，kn∈ {1, . . . K}。对于每个像素，要不来自于目标GMM的某个高斯分量，要不就来自于背景GMM的某个高斯分量。其中公式7为图像的能量.。

其中，U就是区域项，表示一个像素被归类为目标或者背景的惩罚，也就是某个像素属于目标或者背景的概率的负对数，这里与GraphCut中Rp(lp)的意思一致。我们知道混合高斯密度模型是如下形式：

所以取负对数之后就变成式（9）&#