本文作者:小嗷
微信公众号:aoxiaoji
吹比QQ群:736854977
链接:600lt.github.io
看了很多关于图割算法的资料,也有大量的研究者对该算法进行了验证,大多数情况下都是基于opencv实现的,对于大数据这块貌似还是个缺陷。网上流传的例子基本上都是从背景中提取感兴趣目标,而感兴趣目标大多数都是连在一起的,如果一幅影像上有很多个分散的感兴趣目标会不会影响提取的效果呢?
比如说《融合上下文信息的血管造影图像增强》
在本篇中,您将学习:
Graph Cut的理论知识
本文你会找到以下问题的答案:
抠图的知识
2.1 理论
上一文对主要的分割方法做了一个概述。那下面我们对其中几个比较感兴趣的算法做个学习。下面主要是Graph Cut,下一个博文我们再学习下Grab Cut,两者都是基于图论的分割方法。另外OpenCV实现了Grab Cut,具体的源码解读见博文更新。接触时间有限,若有错误,还望各位指正,谢谢。
Graph cuts是一种十分有用和流行的能量优化算法,在计算机视觉领域普遍应用于前背景分割(Image segmentation)、立体视觉(stereo vision)、抠图(Image matting)等。
此类方法把图像分割问题与图的最小割(min cut)问题相关联。首先用一个无向图G=表示要分割的图像,V和E分别是顶点(vertex)和边(edge)的集合。此处的Graph和普通的Graph稍有不同。普通的图由顶点和边构成,如