grabcut图像分割的原理简单介绍.pdfVIP

grabcut图像分割的原理简单介绍 grabcut采⽤graph cut图分割和最⼤流技术的⼀种 互式图像分割技术，不吹⽜逼了，接触opencv 10来天，就这点墨⽔了，直接⾔归正 传，在学习了，⼤⽜的⽂章后，有点感悟，所以记录下来，若有⼈看见了，就当做好玩的吧。 ⾸先来介绍⼀下Graph cut ,图(graph)的分割模型图下图所⽰ （⼤家肯定都见过了），以能量公式为基准，采⽤max flow算法，⼀次全局 求解最⼩能量割边，能量公式为 E(L)=aR(L)+B(L) S与各个像素点之间的虚线就是R(L)，各像素点之间的实线是B(L)，系数a是⼀个权重系数，决定了哪个因素影响更⼤⼀些。 区域项R(L)的计算⽅法如下所⽰，表⽰像素点lp归属于前景obj的概率Pr，或者归属于背景‘bkg’的概率Pr，同时为了采⽤最⼤ 流⽅法计算割边 （cuts）,所以负对数，这样得到的若该像素点归属于前景的概率越⼤，则R (1) 能量越⼩，符合最⼤流max p low算法理论 （啥是最⼤流？），Graph cut 算法是根据该像素点 （lp）灰度值，在前景和背景[这个前景和背景需要事先进 ⾏标记的，你需要提前告诉Graph，哪个是背景？哪个是前景]中的灰度值直⽅图所 占的⽐例来计算前景和背景概率的，但是 Grab cut是根据搞死混合模型来计算的 （等会细讲） R (1) = -ln Pr(I |’obj’) ； R (0) = -ln Pr(I |’bkg’) p p p p 边界项B(L)的计算⽅法 ： 这个是Graph cut的计算⽅法，⽐较简单，B 就是计算某个像素点lp与相邻像素点lq之间的 （灰度值）得差异，lp-lq的值越 ⼤，两个像素之间的边越是应该是割边 （cuts），Bp,q的值越⼩，整体能量越⼩，符合最⼤流算法，在Grab cut 中，不是 以灰度为基准，⽽是以BGR三通道衡量两像素的相似性，采⽤欧式距离 （⼆范数）计算两个像素之间的差异。 最⼤流算法 （max low） ⽤于处理如何去切这个权值图 （graph）,切过之后累加得到能量E(L)值最⼩，切边 （割边）就是上 图中的⿊线 （各像素点之间的边）。 以上就是Graph cut的计算流程，Grab cut同样采⽤图框架理论，以及最⼤流算法求解割边，但是不同的是Grab cut 采⽤了 BGR三通道 （graph 是灰度图），在计算区域项R(L)时，采⽤了⾼斯混合模型。 /// grabcut的主要思路 ： （也只主要参考了上门⾯那位⼤⽜的代码解释） ⾼斯混合模型，就是多个单⾼斯模型，如何评价⼀个像素集合呢？⼜如何判断某⼀个像素点属于该像素集合的概率呢？这时 可以构建⾼斯模型来反映该像素集合的特征，在grabcut 中，对应于前景和背景分别有5个⾼斯模型，例如若前景只有⼀个⾼ 斯模型，某个前景像素点lp在计算归属于前景的概率时，只有⼀种样本库模型，计算的归属概率有可能会很低，最后在最⼤ 流分割时，会被误判到背景⾥，所以有多个模型计算式，选取概率最⼤的⼀个，⾼斯模型越多，前景像素集的种类越多，越 能够包容范围的像素点，过多的话计算量也会很⼤。 区域项R(L)的计算⽅法: 混合⾼斯概率计算公式如下 ： 这⾥⾯的x 是BGR三通道向量，如下所⽰ ： B G R 第1个像素点p1 200 100 50 第2个像素点p2 220 110 60 第3个像素点p3 100 150 80 πi表⽰，第i个⾼斯模型的样本数量Ni在总的样本数量N⾥⾯的⽐值， gi的是第i个⾼斯模型的概率模型公式，其中有两个参数，均值 （ub,ug,ur）和协⽅差矩阵 （协⽅差矩阵计算参照）， 这样⼀共有三个参数需要初始化 （πi，均值u，协⽅差）