python计算机视觉 图像分割

一.图割：计算一幅较小的图的最大流和最小割 的简单例子

from pygraph.classes.digraph import digraph
from pygraph.algorithms.minmax import maximum_flow

gr = digraph()
gr.add_nodes([0,1,2,3])
gr.add_edge((0,1), wt=4)
gr.add_edge((1,2), wt=3)
gr.add_edge((2,3), wt=5)
gr.add_edge((0,2), wt=3)
gr.add_edge((1,3), wt=4)
flows,cuts = maximum_flow(gr, 0, 3)
print ('flow is:' , flows)
print ('cut is:' , cuts)

首先，创建有4个节点的有向图，4个节点的索引分别0…3，然后用add.edge（）增添边并为每条边指定特定的权重，边的权重用来衡量边的最大流容量。以节点0为源点，3为汇点，计算最大流。
打印出流和割的结果：

图中包含了流穿过的每条边和每个节点的标记，0是包含图源点的部分，1是与汇点相连的节点。

二.图像中创建图：利用贝叶斯模型分割图像

# -*- coding: utf-8 -*-

from scipy.misc import imresize
from PCV.tools import graphcut
from PIL import Image
from numpy import *
from pylab import *

im = array(Image.open("empire.jpg"))
im = imresize(im, 0.07)
size = im.shape[:2]
print ("OK!!")

# add two rectangular training regions
labels = zeros(size)
labels[3:18, 3:18] = -1         #背景
labels[-18:-3, -18:-3] = 1      #前景
print ("OK!!")


# create graph
g = graphcut.build_bayes_graph(im, labels, kappa=1)

# cut the graph
res = graphcut.cut_graph(g, size)
print ("OK!!")


figure()
graphcut.show_labeling(im, labels)

figure()
imshow(res)
gray()
axis('off')

show()

需要创建一个graphcut文件，写入一幅图像创建图的函数。

上文代码中，变量Kappa决定了近邻像素间边的相对权重，改变K值测试：
Kappa=5

可以看出随着K值增大，分割边界会更平滑，但细节会逐渐丢失。