Graph Cut（图割）的学习

最新推荐文章于 2019-08-11 11:09:15 发布

@lyp1997

最新推荐文章于 2019-08-11 11:09:15 发布

阅读量1.4k

点赞数

分类专栏：计算机视觉

本文链接：https://blog.csdn.net/qq_42584188/article/details/91439092

版权

本文介绍了图割（Graph Cut）技术在图像分割中的应用。通过创建有向图，利用源点和汇点表示图像的前景和背景，寻找最小割以实现分割。边的权重与像素相似性相关，权重模型基于像素的颜色和邻域信息。实验展示了不同 kappa 值（k）对分割结果的影响，随着 k 增大，分割边界更平滑但细节可能丢失。

摘要由CSDN通过智能技术生成

Graph Cut的学习

- - - 1.1 图割（Graph Cut）
    - 1.1.1 从图像创建图

1.1 图割（Graph Cut）

图像分割的基本思想是：相似且彼此相近的像素应该划分到同一区域。
图割图像分割的思想是用途来表示图像，并对图进行划分以使割代价最小。在用图表示图像时，增加两个额外的节点，即源点和汇点；并仅考虑那些源点和汇点分开的割。
图割 C（C 是图中所有边的集合）的“代价”函数定义为所有割的边的权重求合相加：
在这里插入图片描述
寻找最小割等同于在源点和汇点间寻找最大流。

from pygraph.classes.digraph import digraph
from pygraph.algorithms.minmax import maximum_flow

gr = digraph()
gr.add_nodes([0,1,2,3])

gr.add_edge((0,1), wt=4)
gr.add_edge((1,2), wt=3)
gr.