图割
图论中的图是由若干个节点和连接节点的边构成的集合。边可以是有向的或无向的,并且边上还可能带有权重。图割 是将一个有向图分割成两个互不相交的集合,用来解决计算机视觉方面的问题。从图像像素和像素的近邻创建一个图并引入一个能量或代价函数,我们可以利用图割法,将图分割成两个或多个区域。图割的基本思想是,相似且相近的像素应该分到同一区域。图割图像分割 的思想是用图来表示图像,并对图进行划分以使割代价cut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;并仅考虑那些将源点和汇点分开的割。
代码
(一) 一个简单的构图
我们先导入python-graph包来计算最大流/最小割。
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.add_edge((2,3), wt=5)
gr.add_edge((0,2), wt=3)
gr.add_edge((1,3), wt=4)
flows,cuts = maximum_flow(gr, 0, 3)
print ('flow is:' , flows)
print ('cut is:' , cuts)
运行结果
创建有4个节点的有向图,0为源点,3为汇点。
(二) 一个简单的分割demo
from scipy.misc import imresize
from PCV.tools import graphcut
from PIL import Image
from numpy import *
from pylab import *
im = array(Image.open("empire.jpg"))
im = imresize(im, 0.07)
size = im.shape[:2]
print ("OK!!")
# add two rectangular training regions
labels = zeros(size)
labels[3:18, 3:18] = -1
labels[-18:-3, -18:-3] = 1
print ("OK!!")
# create graph
g = graphcut.build_bayes_graph(im, labels, kappa=1)
# cut the graph
res = graphcut.cut_graph(g, size)
print ("OK!!")
figure()
graphcut.show_labeling(im, labels)
figure()
imshow(res)
gray()
axis('off')
show()
运行结果
测试图片
分割结果:
利用贝叶斯概率模型进行图像分割。变量kappa决定了近邻像素间的相对权重。
用于训练的标记图片: