Grabcut（一）

GrabCut里用的这个能量函数E是GraphCut里最常用的。
这个这么去理解：最优的分割Z应该使得分割后前景像素更像前景，背景像素更像背景（前景与背景分别由GMM描述），另外，如果相邻像素的颜色差异比较小，那么它们更有可能同属前景或者背景。E的两个能量项U和V就是分别刻画这个的。因此可以把分割看作是一个优化问题。
这个问题可以从另一个角度来看，也就是MRF上的极大后验估计问题（MRF-MAP）。GraphCut实际在图像平面上建立了一个MRF，每个像素点作为MRF的一个节点，相邻像素之间有边相连。然后分别定定义了两类势函数(Potential)，一类是单个节点上的势函数，另一类是边上的势函数。这两个势函数就分别对应于E中的U和V. exp(-U)可以看做是Z的先验，exp(-V)可以看做是Z的似然。那么Z的后验分布就是~exp(-U-V),极大化这个后验就相当于最小化E = U + v;
MRF与Gibbs Random Fields是等价的，一个GRF定义了一个Gibbs分布，其形式为P(Z) ~ exp(-E(Z)/kT), 这里面的E(x)称为吉布斯能量。所以文章中把E叫做Gibbs能量。
GrabCut用GMM表示像素颜色分布，但不是每一个像素都有一个GMM模型。GrabCut里只用了两个GMM模型，一个表示背景的颜色分布，另一个表示前景的颜色分布。每个GMM模型由5个高斯混合而成，每个高斯都是3维颜色向量的分布，而不是5维。k=5是说一个gmm中包含了5个高斯。
这个文章的主要思路是：
1）手工交互的给出一个前景区域的包围盒。
2）根据当前的前景和背景分割结果，分别估计前景和背景的GMM模型
3）用GraphCut算法进行分割
对上述2），3）两步进行迭代，得到比较好的分割结果。
后面的matting步骤其实已经跟分割没多大关系了。