图割算法（基于图论的分割方法

是一种能量优化算法。

普遍应用于前景分割，也就是二值分割，也就是希望前景与背景分割开。

广泛用于二值分割，但也能进行多值分割。（多值：对初始顶点数敏感，不准确顶点数直接影响分割结果准确性；————改进：在原来的能量函数中加入一个标签项。优化能量函数过程中，使得标签数目也得到优化，这样，可以在初始化时给出一个松弛顶点数，便于日常分割

顶点：S和T

节点：图中每一个像素

顶点与节点相连、节点与节点相连——所有相连的边都存在权重值

顶点—节点（的权重）：数据项；反应节点与该类别的相近关系

节点—节点（的权重）：光滑项；反应相邻节点的相似程度

---

整个分割过程：变成了 最大流/最小割问题；去除连接弱的边，保留下来的就是分类结果

实质：图像分割问题可以当作是像素标记的问题，目标节点的标记设为 1，背景节点的标记设为 0，这个过程可以通过最小化图割来最小化能量函数得到。

期望：生成在目标边界和背景处的“割”————相当于背景和目标分别和不同的顶点连接（这个过程就完成了背景与目标的分割）————能量达到最小值

能量优化：实际就是寻找一个最优的标记方法，使这种标记下的能量函数(包括数据项和光滑项)最小

---

Grabcut算法

交互式分割算法。

需要人工的标定一个或多个前景点或背景点，然后根据标定的这些点统计分析前景或背景信息，利用几何膨胀学或其他方法，将【标记点周围，和，与标记点有很高相似性的像素】分到一个分类中。

总结：整体准确度较高，因为一般人工标定的前景或背景都被认为是准确度，也就是提供了充分的先验信息，能让统计分割更为可信。但，前后背景颜色相近的情况分割不准确，且需要人工的参与标定过程，在大批量分割工作中显得不太智能。

---

基于图论的分割方法

首先会建立一个能量函数，在形成不同的超像素的过程中，期望最小化能量函数。

图中每个像素被视为一个节点，依据节点之间的相似度，对能量函数做不同大小的贡献。

想要得到的过分割块数（也就是图论模型中的标签个数）。

能量函数考虑的方面=节点与标签的相关程度所贡献的不同权重+相邻像素的相近程度和位置关系+不相邻像素之间的内在联系

代表性算法：
1.Ncut（将彩图和灰度图当作一张带权重的无向图，根据特征方程寻找特征值和特征向 量的过程，对图求解最优分割------计算量过大。改进：采用多谱图的方法，使得复杂度可以呈线性增长）

2.超像素网格算法SL（利用图论，通过寻找最优的分割路径的方法来分割图像）；克服拓扑约束限制，在速度和准确性上很好。