图像分割之Graph-cut算法.pptxVIP

图像分割之 Graph Cut 算法 Introduction (算法简介) 研究背景 研究方案 研究成果 研究总结 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。 Graph Cut算法仅需要在前景和背景处各画几笔作为输入，算法将建立各个像素点与前景背景相似度的赋权图，并通过求解最小切割区分前景和背景。由于它是基于颜色统计采样的方法，因此对前背景相差较大的图像效果较佳。 Basics (基础知识) 研究背景 研究方案 研究成果 研究总结 图论中的图（graph）： 一个图G定义为一个有序对（V,G），记为G=（V,G），其中 V是一个非空集合，称为顶点集，其元素称为顶点； E是由V中的点组成的无序点对构成的集合，称为边集，其元素称为边。 Basics (基础知识) 研究背景 研究方案 研究成果 研究总结 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。 Graph Cuts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。 Basics (基础知识) 研究背景 研究方案 研究成果 研究总结 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和T。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。 Graph Cut (图割) 研究背景 研究方案 研究成果 研究总结 Graph Cut中的Cut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。 最大流量最小割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 。 Weight (权值) 研究背景 研究方案 研究成果 研究总结 ？Regional Term (区域项) 研究背景 研究方案 研究成果 研究总结 Boundary Term (边界项) 研究背景 研究方案 研究成果 研究总结 Min Cut (最小割) 研究背景 研究方案 研究成果 研究总结 确定每条边的权值之后，就可以通过min cut算法来找到最小的割，这些边的断开恰好可以使目标和背景被分割开，也就是min cut对应于能量的最小化。 而min cut和图的max flow是等效的，故可以通过max flow算法来找到s-t图的min cut。目前的算法主要有： Goldberg-Tarjan 2) Ford-Fulkerson 3) 上诉两种方法的改进算法 Result (结果) 研究背景 研究方案 研究成果 研究总结