图像分割是将一幅图像分割成有意义区域的过。区域可以是图像的前景与背景或图像中一些单独的对象。这些区域可以利用一些诸如颜色、边界或近邻相似性等特征进行构建。
计算一幅较小的图的最大流/最小割
from pygraph.classes.digraph import digraph
from pygraph.algorithms.minmax import maximum_flowgr = 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)
首先创建4个有节点的有向图，然后用add_edge()增添边并为每条边指定特定的权重。
边的权重代表最大流容量，切割结果如下：
从图像创建图
通过给定的一个邻域结构，利用图像像素作为节点定义的一个图
- 每个像素节点都有一个从源点的传入边
- 每个像素节点都有一个到汇点的传出边
- 每个像素节点都有一条传入边和传出边连接到它的近邻
为确定边的权重，要创建一个分割模型，使之能够确定这些像素点之间，像素与源点之间、汇点之间边的权重。
# -*- 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()
左图是用于模型训练的标记图像
右图的分割的结果