最大流和最小割问题

这里先介绍 mincut 和 maxflow, 为介绍 Grabcut 打下基础。 Grabcut 可以用在图像分割和文字二值化中。

 

1 首先介绍Mincut问题。

这部分内容主要翻译自[1],可以看原版理解的更深.由于个人没有看过中文教材，因此可能一些专业术语翻译的不太对，敬请见谅。

一个有向图，并有一个源顶点（source vertex）和目标顶点（target vertex）.边的权值为正,又称之为容量（capacity）.如下图

一个st-cut(简称割cut)会把有向图的顶点分成两个不相交的集合，其中s在一个集合中，t在另外一个集合中（在图像分割中，你可以将s理解成前景，t理解成背景）。

这个割的容量（capacity of the cut）就是A到B所有边的容量和。注意这里不包含B到A的。参见下面几幅图。最小割问题就是要找到割容量最小的情况。

 

 

 

 

可以想象成某某国家要控制网络，使得国民不能跟外面联络，S代表某个国家，t代表其余的世界。而每条边上代表着是带宽，带宽越大，肯定建设成本也越大，在进行cut的时候当然希望能达到完全断开的效果但又能破坏越少的基建设施,这就是最小割问题。

 

2 Maxflow

接着介绍maxflow问题。跟mincut问题类似，maxflow要处理的情况也是一个有向图，并有一个原顶点（source vertex）和目标（target vertex）.边的权值为正,又称之为容量（capacity）.如下图

 

 

一个st-flow(简称flow)是为每条边附一个值，这个值需要满足两个条件

1  0<=边的flow <<边的capacity

2 除了s和t外，每个顶点的inflow要等于outflow

见下图，其实这个很好理解，可以想象成水管或者电流。

 

一个flow的值（value of the flow）就是t的inflow.Maxflow就是找到这个最大值。

 

 

后面会发现Mincut和maxflow的问题是对偶的，解出了maxflow也就知道了mincut的解。

现在先介绍一种解maxflow的算法Ford-Fulkerson,为了方便，简称FF算法。

（1）初始化，所有边的flow都初始化为0

 

（2）沿着增广路径增加flow。增广路径是一条从s到t的无向路径，但也有些条件，可以经过没有满容量的前向路径（s到t）或者是不为空的反向路径(t->s)

 

 

 

 

 

opencv用的是文献[2]的算法。这里先不做介绍。

3 maxflow-mincut理论证明对偶性（optional）

首先定义一个概念net flow,经过一个割cut(A,B)的net flow等于从A到B的边flow的和减去从B到A边flow的和。

 

然后我们就有了flow-value引理：f为任意的流，(A,B)为任意的割，那么f的值 value of flow（也就是t的inflow）等于经过（A,B）的netflow.

 

如下图，value offlow = 8+9+10 = 27 , 而割的net flow = 8+2+7-2+12 = 27.要证明这个引理可以用数学归纳法。

 

Weak duality(弱对偶)：f为任意的流，（A，B）为任意的割，那么Valueof flow <= capacity of cut(A,B)

因为cut(A,B)等于从A到B流量，而value offlow等于cut（A，B）的netflow,还得减去从B到A边的流量。

那么现在我们可以引出两个定理：

增广路径定理（Augmenting Path theorem）:一个流f是最大流当且仅当没有增广路径。

最小割最大流定理（Maxflow-mincut theorem）:Maxflow的值等于最小割的容量。

要证明上面的定理，只要证明下面三个条件是等价的就可以了：

（1）存在一个割的容量等于flow f的值

（2）f是最大流

（3）对于f没有增广路径

首先我们证明（1）->（2）。假设我们有一个割（A,B）的容量等于f的值，那么利用弱对偶的关系，其他流的值<=(A,B)的容量，而由于1的假设，（A，B）的容量等于f的值，因此得到其他流的值都小于f的值，从而（2）成立

 

接着证明（2）->(3)。我们来证明它的逆否命题。对于f如果还有还有增广路径，那f不是最大流，这很显然，如果按照FF算法的话，我们还可以增加flow f的值，因此f就不会是最大流，因此逆否命题成立，也就代表（2）->(3)成立。

 

最后证明从（3）->(1)。让割（A,B）满足这么一个条件：s在A中，且A中的顶点通过一些无向的边连接而成，这些边要么是不是满的前向边要么是非空的反向边。如下图中加粗的边。

那么根据定义，s在A中，由于没有增广路径，因此t在B中。

由于这个割的B到A的边流量全是0，

这个割的容量 = 沿着这个割的netflow(从A到B边的流量-从B到A边的流量)

又根据flow-value引理，netflow = value of low,因此推出（1）.

 

最后我们怎么根据最大流的解得到最小割的解呢，就是和证明（ 3 ） ->(1) 中的一样让割（ A,B ）满足这么一个条件： s 在 A 中，且 A 中的顶点通过一些无向的边连接而成，这些边要么是不是满的前向边要么是非空的反向边

最近在看maxflow相关的资料，本文主要介绍下自己对最大流和最小割的理解。最大流本来是网络流方面的算法，后来在计算机视觉中也得到广泛的应用，如图割。我觉得要理解一个算法首先要从起源开始，然后再去泛化问题、建立模型，最后才是解决之。本文是以一个新手的角度去理解算法。
首先从最简单的开始，先看一幅图：

有3个节点S,a,T，边[S,a]的容量是10，边[a,T]的容量是5，假设从S处要传送数据到T，问最大传送数据量是多少？应该是min(10,5)=5.如果超出5，[a,T]边容不下，因此传不过去，此时的最大流量就是5，[a,T]边就是该图的一条最大流。该图可以想象成从S到T通水，需要修建水管，a是中间站点，S到a修建的水管可以容纳下10单位的水量，a到T可容下5单位的水量，现在有个人不想让S到T通水了，那么他得要切割水管，那么应该切割哪条水管呢？假设切割水管付出的代价和水管容量成正比。显然，他需要切割a到T的水管，而不会切割S到a的水管，此时的割是最小割，容量是5，最大流是5，所以最大流=最小割。当然这个例子太简单，不能说明普遍问题。
来个稍微复杂的例子：

从S到T，中间经过a,b两节点，问此时的最大流是多少？
首先找一条从S到T的路径[S,a,t]，该路径的最大流量是min(2,3)=2，因为[S,a]上面的容量已经被用了，所以路径[S,a,b,t]就行不通了，割去[S,a]后图变成了以下形式：

该图叫做残留网络或者叫残留图，此时再找从S到t的路径[S,b,t]，路径的最大流量是min(3,6)=3.割去[b,t]后，图如下：

此时就不存在从S到t的可行路径了，则结束最大流的查找。此时的最大流是2+3=5，被割的边容量和是2+3=5，即最大流=最小割。
两个例子我们已经能理解最大流和最小割大体的含义了，也发现最大流的确和最小割是相等的。只从这两个小例子就证明最大流和最小割相等是绝对不严格的，严格的数学证明可google相关资料。回头思考下，最大流到底是什么？如果以送货为例，在可行的情况下，从一个节点到另一个节点所能送达的最大货量即为最大流。打个比方，假设从S处开始放弹珠，让其自动滚到t处，箭头方向为下坡路，在不考虑时间和空间(即把弹珠想象成质点)的情况下，路径中能容纳的最大弹珠量即为最大流量，最小割就是把容纳的弹珠量和容量相同的边都割去，得到的割即为最小割，显然最大流=最小割，因为最大流量完全由路径和容量决定。割去这些边之后，弹珠是没法从S滚落到t的。