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。
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
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。