计算机视觉（十一）——图割法（Graph Cut）简单例子实现

博文主要内容

• 原理解释
• 代码实现
• 实验所需安装的包

原理解释

图割法（Graph Cut）并不是指对图像的分割，真正的理解是对数据结构中的带权有向图进行分割的操作。图像的分割只是图割法的一种运用方向。图割法在图像分割的应用时，用带权有向图来代表图像，增加两个节点（源点、汇点）。有了源点和汇点，就能够把最小割问题等价转换成最大流问题。
实现图割法最常用的方法就是最大流最小割方法，这个方法在我的计算机视觉（四）——全景图像的拼接中，有简单的介绍，这里不多做赘述。

代码实现

1.关于最大流最小割的一个简单案例

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

这个代码先创建了一个简单的图，add_edge是用来添加图的边和权重。通过maximum_flow来计算最大流和最小割。

如图所示，这是流和割的结果。

2.实现图割法的简单案例

# -*- 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
labels[-18:-3, -18:-3] = 1
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()

如下图所示，这图是标记的结果图，图中的蓝色区域表示图像的背景，红色区域表示前景。意思告诉计算机在蓝色区域块中的所有像素点都是属于背景。同理，红色区域块中的点都是前景。

根据上图的前后景的划分，图像使用图割法进行切割。im = imresize(im, 0.07)这个代码将图像调整为原来的7%的大小。下图是原图像，最后是原图像调整为7%大小之后，通过图割法分离前后景，生成的二值图像。可以看到二值图像在分割时候，把白云当成了前景再做切割。

这是g = graphcut.build_bayes_graph(im, labels, kappa=1)的kappa的数值为1时的图像

这是g = graphcut.build_bayes_graph(im, labels, kappa=1)的kappa的数值为3时的图像

实验所需安装的包

这次实验需要我们使用到pygraph这个包，需要将这个包放在python安装目录下的 lib\site-packages\ 目录下，如果原来有的话，就直接替换。

如果您在阅读之中发现文章错误之处或者出现疑问，欢迎在评论指出