本文最后更新于:2024年5月7日 下午

Graph Cut 是一种用于 $n$ s维图像数据的边界优化和区域分割的分割技术,本文记录相关内容。

简介

  • Graph Cut 通过交互式的或自动的定位一个或多个代表“物体”的点以及一个或多个代表“背景”的点来进行初始化—这些点被称作种子(Seed并被用于分割的硬约束(hard constraints)。另外的软约束(soft constraints)反映了边界和/或区域信息。

原理

  • 每个像素视作二维平面上的节点,虚拟源、目标节点 $S, T$,图边分为两类,虚拟节点和每个图像像素的边,每个图像像素与其周围像素也有边连接,两种边权重定义如图:

  • 其中:
$$ K = 1+\max _{p \in \mathcal{P}} \sum_{q:\{p, q\} \in \mathcal{N}} B_{\{p, q\}} $$
  • 将图像中所有像素 $p$ 的邻域边权值算出并求和,结果有像素个结果。选取最大结果再加1作为 $K$。而最大和在这里可粗略认为是聚类中的中心点,因为像素 $p$ 在此处邻域和最大,可认为 $p$ 点在此处与周围相邻像素及其相似,从而确保权值 $K$ 为最大权值)。

  • ${p,q}$ 边表示相邻像素之间产生的边,边的权值为 $B{p,q}$,在上文中已经提到,当像素 $p$ 和 $q$ 相似时,产生的边的权值很大,反之产生的边的权值很小。当 $p,q$ 为两个相似像素时,边的权值很大,为了使得到的能量函数最小,因此该边不适合作为割边,因此符合逻辑。

  • ${p,T}$ 边和 ${p,S}$ 边分为三种情况:

    1. $ p \in \mathcal{P}, p \notin \mathcal{O} \cup \mathcal{B} $ ,需要注意的是这里的 $O$ (前景)和 $B$ (背景)都是种子点,可认为是交互式方法划定的像素点,这类像素点需要软约束决定像素的归属。因此,边的权值应由软约束公式给出 $λ · R_p (bkg)$,注意这里求边 ${p,S}$ 边的权值
    2. $p ∈ O$,即 $p$ 是 $O$ 集合中的点,是交互式方法给定的前景像素点,这里我们可认为这个点就是前景的点,本文将前景种子点 $p$ 与 $S $ 的边的权值设为 $K$。即前景点与前景相连的边的权值为 $K$,$K$ 在这里是一个比1大的数。
    3. $p ∈ B$,即 $p$ 是 $B$ 集合中的点,是交互式方法给定的背景像素点,这里我们可以认为这个点就是背景点,本文将背景种子点与前景 $S$ 的边的权值设为0,可认为这个边权值是最小的,是可以作为割边的,事实上,这个边也是必定需要被割开的。
  • 图的构造已经完全确定。我们通过对图的最小割确定图像中背景与前景的边界。

  • 使用Graph Cut 算法时,给定需要分割的图像,在图像中定义前景像素区域,定义背景像素区域,至此形成了图,可以按照最小割的路径得到图像的分割结果。

原始论文

参考资料



文章链接:
https://www.zywvvd.com/notes/study/image-processing/graph-cut/graph-cut/


“觉得不错的话,给点打赏吧 ୧(๑•̀⌄•́๑)૭”

微信二维码

微信支付

支付宝二维码

支付宝支付

图割 Graph Cut
https://www.zywvvd.com/notes/study/image-processing/graph-cut/graph-cut/
作者
Yiwei Zhang
发布于
2022年11月21日
许可协议