理论
GranCut算法是Carsten Rother, Vladimir Kolmogorov & Andrew Blake from Microsoft Research Cambridge, UK在他们的论文“GrabCut”: interactive foreground extraction using iterated graph cuts里设计的。使用最小程度的用户交互来分解前景。
从用户角度来看是怎么工作的呢?开始用户画一个矩形方块把前景图圈起来,前景区域应该完全在矩形内,然后算法反复进行分割以达到最好效果。但是有些情况下,分割的不是很好,比如把前景给标称背景了等。在这种情况下用户需要再润色,就在图像上有缺陷的点给几笔。这几笔的意思是说“嘿,这个区域应该是前景,你把它标成背景了,下次迭代改过来”或者是反过来。那么在下次迭代,结果会更好。
看下面的图像,首先球员和足球杯包在蓝色矩形框里,然后用白色笔(指出前景)和黑色笔(指出背景)来做一些润色
后台发生了什么?
·用户输入矩形,矩形外的所有东西都被确认是背景。所有矩形内的东西都是未知的,同样的任何用户输入指定前景和背景的也都被认为是硬标记,在处理过程中不会变。
·计算机会根据我们给的数据做初始标记,它会标记出前景和背景像素。
·现在回使用高斯混合模型(GMM)来为前景和背景建模
·根据我们给的数据,GMM学习和创建新的像素分布。未知像素被标为可能的前景或可能的背景(根据其他硬标