图割论文阅读笔记：GrabCut in One Cut

GrabCut in One Cut

Abstract：
图像分割分为两种方法：a方法假设已知外观模型；b方法估计外观模型的同时进行分割。
我们提出了一整个新的能量项来测量目标和背景appearance models的L1距离，并使问题避免成为NP-hard。

1.Introduction
先介绍了最基本的能量模型:

但是当不知道appearance models时，能量模型就需要加额外的参数（模型参数）了：

这就成了NP困难了，而且需要不断迭代估计。这样可以获得全局最小能量，但是太慢了。
如果用颜色直方图来代替模型参数的话，能量模型又是：

这时就仅仅依靠S了。
对于（3）而言，分离颜色时产生的偏差可用重写的两个H（·）来表示：

其中第一项说明公式（2）和（3）更偏向于把图像分割成相同的两部分，第二项表明分割倾向于颜色的分离。
对于（4）第一项的作用，是没有必要的，本文用更简单的来优化公式。第二项能很好的优化图割，我们要用更好的L1测量项来代替它。
我们观察到，在Grabcut当中，随着bins（颜色直方图的直方图数量）的增大，局部优化就越不好。但实际当中，bins越大，颜色信息就越多。所以理应bins越大，分割效果越好。

本文的贡献：
我们提出一个简单L1测量项，来测量分割之间的appearance overlap可以看成高级形式的一致性标号，提出了一种更简单的图结构，从而避免NP-hard，且L1能更好的分离颜色信息。
我们第一次验证了快速全局优化二进制分割技术能很好的最小化目标和背景之间的颜色重叠。
通过实验说明了我们提出的appearance overlap惩罚L1的通用性。

2.Minimizing appearance overlap in One-Cut
Appearance overlap项，也就是能量函数中的L1项：

为了形式简便，且对应后变得比较，把（5）变成（6）。

增加了辅助节点：第k个bin对应的所有像素点连接同一个辅助节点Ak。

这些边的容量β设为1。分割时，需要把Ak对应的bins的前景节点或者背景节点切开。

3.Applications
从三个方面验证：3.1交互式分割，3.2形状匹配，3.3显著性检测

3.1 Interactive segmentation
这里有3小节：3.1.1边框的交互式分割和3.1.3标记种子的交互式分割，以及3.1.2中将L1与其他颜色分离项做对比

3.1.1 Binary segmentation with bounding box
边框的交互式分割对应的能量公式

第一项代表边框R和分割之间的一个空腔，第二项就是本文提出的改进项，第三项是平滑项。
这其中还有一个改进是β的改进，相比之前通过由边框内和边框外背景的appearance overlap来确定β不同，我们基于边框内的信息自适应的设置图像特定参数βimg：

与Grabcut使用bins少不同，我们用的bins数目很多，bins越多，辅助节点也就越多，每个节点对应的像素点就越少，所以运行速度就快了好多。
3.1.2 Comparison of Appearance Overlap Terms
通过三个小实验，与其他三种测量项做对比。还是我们的好。。。。
3.1.3 Interactive Segmentation with Seeds
对于选取种子的交互式分割来说，由于没有边框了，所以（9）当中的第一项就没必要了：

作者提供的代码也只有选取种子的交互式分割。

详细细节参考：GrabCut in One Cut

参考文章：GrabCut in One Cut(基于图割算法grabcut的一次快速图像分割的OpenCV实现)—-目前效果最好的图割

论文的主页（有相关代码）：OneCut with Seeds