vtk c++ 图像分割_Graph Cuts 图分割学习

Graph cuts是一种十分有用和流行的能量优化算法，在图像处理领域普遍应用于前后背景分割（Image segmentation）、立体视觉（stereo vision）、抠图（Image matting）等，目前在医学图像领域应用较多。

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=<V，E>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，如果边的有方向的，这样的图被则称为有向图，否则为无向图，且边是有权值的，不同的边可以有不同的权值，分别代表不同的物理意义。而Graph Cuts图是在普通图的基础上多了2个顶点，这2个顶点分别用符号”S”和”T”表示，统称为终端顶点。其它所有的顶点都必须和这2个顶点相连形成边集合中的一部分。所以Graph Cuts中有两种顶点，也有两种边。

第一种顶点和边是：第一种普通顶点对应于图像中的每个像素。每两个邻域顶点（对应于图像中每两个邻域像素）的连接就是一条边。这种边也叫n-links。

第二种顶点和边是：除图像像素外，还有另外两个终端顶点，叫S（source：源点，取源头之意）和T（sink：汇点，取汇聚之意）。每个普通顶点和这2个终端顶点之间都有连接，组成第二种边。这种边也叫t-links。

上图就是一个图像对应的s-t图，每个像素对应图中的一个相应顶点，另外还有s和t两个顶点。上图有两种边，在前后景分割中，s一般表示前景目标，t一般表示背景。

每条边都有一个非负的权值

，也可以理解为cost（代价或者费用）,这里的cost函数是需要人为定义的。一个cut（割）就是图中边集合E的一个子集C，那这个割的cost（表示为|C|）就是边子集C的所有边的权值的总和。

Graph Cuts中的Cuts是指这样一个边的集合，很显然这些边集合包括了上面2种边，该集合中所有边的断开会导致残留”S”和”T”图的分开，所以就称为“割”。如果一个割，它的边的所有权值之和最小，那么这个就称为最小割，也就是图割的结果。而福特-富克森定理表明，网路的最大流max flow与最小割min cut相等。所以由Boykov和Kolmogorov发明的max-flow/min-cut算法就可以用来获得s-t图的最小割。这个最小割把图的顶点划分为两个不相交的子集S和T，其中s ∈S，t∈ T和S∪T=V 。这两个子集就对应于图像的前景像素集和背景像素集，那就相当于完成了图像分割。

图像分割可以看成pixel labeling（像素标记）问题，目标（s-node）的label设为1，背景（t-node）的label设为0，这个过程可以通过最小化图割来最小化能量函数得到。那很明显，发生在目标和背景的边界处的cut就是我们想要的（相当于把图像中背景和目标连接的地方割开，那就相当于把其分割了）。同时，这时候能量也应该是最小的。假设整幅图像的标签label（每个像素的label）为L= {l1,l2,,,, lp }，其中li为0（背景）或者1（目标）。那假设图像的分割为L时，图像的能量可以表示为：

其中，R(L)为区域项（regional term），B(L)为边界项（boundary term），而a就是区域项和边界项之间的重要因子，决定它们对能量的影响大小。如果a为0，那么就只考虑边界因素，不考虑区域因素。E(L)表示的是权值，即损失函数，也叫能量函数，图割的目标就是优化能量函数使其值达到最小。

其中R(A)表示的是区域数据项，B(A)表示的是边界平滑项，E(A)表示的是权值，即损失函数，也叫能量函数，图割的目标就是优化能量函数使其值达到最小。

　　另外由于Graph Cuts需要有2个终端节点”S”和”T”，分别表示初始的目标区域和背景区域，在计算机视觉的图像分割领域时，需要人工指定初始的s顶点和t顶点，如果有HCI的话，可以用鼠标分别直接点这2个区域。其中一个区域代表所需分割目标上的一个像素位置，另一个为背景上的一个像素位置。有了能量函数的定义和初始的终端顶点，就可以采用图割理论来不断迭代对目标进行分割了。

还有比较常见的算法是：

–Normalized cuts segmentation

通过惩罚大的分割，通过normalize 来修正分割的大小。

其中volume（x）是所有A图里node和图中所有节点node的边的cost之和

优点：

normalized cuts是一个比较通用的框架，普适于各种特征和affinity formulations

Provides regular segments

缺点：

需要去选择很多分段

需要大量存储空间和高时间复杂度

对于相同分个段有bias

–MRFs Graph cuts segmentation

Reference：

Graph Cuts初步理解 - 钟离踏雪 - 博客园​www.cnblogs.com

Source: Seitz