Graph cuts
As applied in the field of computer vision, graph cut optimization can be employed to efficiently solve a wide variety of low-level computer vision problems (early vision), such as image smoothing, the stereo correspondence problem, image segmentation, object co-segmentation, and many other computer vision problems that can be formulated in terms of energy minimization. Many of these energy minimization problems can be approximated by solving a maximum flow problem in a graph (and thus, by the max-flow min-cut theorem, define a minimal cut of the graph). Under most formulations of such problems in computer vision, the minimum energy solution corresponds to the maximum a posteriori estimate of a solution. Although many computer vision algorithms involve cutting a graph (e.g., normalized cuts), the term "graph cuts" is applied specifically to those models which employ a max-flow/min-cut optimization (other graph cutting algorithms may be considered as graph partitioning algorithms).
"Binary" problems (such as denoising a binary image) can be solved exactly using this approach; problems where pixels can be labeled with more than two different labels (such as stereo correspondence, or denoising of a grayscale image) cannot be solved exactly, but solutions produced are usually near the global optimum.
GrabCut
GrabCut 는 세그멘테이션 을 기반으로하는 이미지입니다.
분할 대상 물체 주위에 사용자 지정 경계 상자 로 시작하여 알고리즘은 가우스 혼합을 사용하여 대상 물체와 배경의 색상 분포를 추정합니다. 모델 . 이것은 동일한 레이블을 가진 연결된 영역을 선호하는 에너지 함수 를 사용하여 픽셀 레이블 위에 Markov 랜덤 필드 를 구성하고 값을 추론하기 위해 그래프 컷 기반 최적화를 실행하는 데 사용됩니다. . 이 추정값은 경계 상자에서 가져온 원래 값보다 더 정확할 가능성이 있으므로이 두 단계 절차는 수렴 될 때까지 반복됩니다. 사용자는 잘못 분류 된 영역을 지적하고 최적화를 다시 실행하여 추정치를 추가로 수정할 수 있습니다. 이 방법은 또한 결과를 수정하여 가장자리를 유지합니다.