TOG04_Interactive Foreground Extraction using Iterated Graph Cuts

1.RGB图像的GMM高斯混合模型（结合OPENCV源码理解）

1.1高斯混合模型的初始化

initGMMs( img, mask, bgdGMM, fgdGMM );//通过k-means算法来初始化背景GMM和前景GMM模型

1.2高斯混合模型的参数

三维高斯分布混合模型；

三个均值，3X3协方差矩阵；

协方差的大小反应了X和Y的相互间的关系，但它还受X和Y本身度量单位的影响。可以标准化，得到标准协方差（值域范围可负可正，正相关或负相关）。理解协方差：http://pinkyjie.com/2010/08/31/covariance/

1.3高斯混合模型的学习

learnGMMs( img, mask, compIdxs, bgdGMM, fgdGMM );

那么对img的每个像素点都分配给指定的高斯分布函数，然后新的样本加入之后必然会导致均值和协方差矩阵的变化。

1.4高斯混合模型如何对一个RGB给出概率

高阶的高斯密度模型会给出一个概率值。几个高斯模型的线性组合如何得到一个高斯混合模型的概率密度函数。

2.UGM

2.1构造图模型

2.2运用maxflow算法确定一个mincut。

2.3和吉布斯能量形式的联系。

参考：

http://blog.sina.com.cn/s/blog_98c3175b0100y11m.html（图割小结）

https://www.youtube.com/watch?v=HMGX8HXskKk（对Graph cuts不错的讲解）

https://blog.csdn.net/zouxy09/article/details/8535087（grabout,opencv源码解读）

http://www.cnblogs.com/tornadomeet/archive/2012/11/09/2763271.html（基础学习笔记之opencv(16)：grabcut使用例程）