计算机视觉9-图像分割

1.最大流与最小割

一个简单例子
用python-graph工具包计算一幅较小的图，首先，创建有4个节点的有向图，4个节点的索引分别是0…3，然后用add_edge()增添边并为每条边指定特定的权重。边的权重用来衡量边的最大流容量。

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)

以节点0为源点，3为汇点，计算最大流，打印出流和割结果：

2.从图像创建图

给定一个邻域结构，可利用图像像素作为节点定义一个图。

讨论最简单的像素四邻域和两个图像区域（前景和背景）情况。一个四邻域（4-neighborhood）指一个像素与其正上方、正下方、左边、右边的像素直接相连。

除了像素节点外，还需要两个特定的节点——“源”点和“汇”点，分别代表图像的前景和背景。下面我们将创建一个简单模型将所有像素的源点和汇点连接起来。
步骤：

1. 每个像素节点都有一个从源点的传入边；
2. 每个像素节点都有一个到汇点的传出边；
3. 每个像素节点都有一条传入边和传出边连接到它的近邻。
   用Wij表示像素i到像素j的权重。

利用该模型可以将每个像素和前景、背景连接起来，权重等于归一化之后的概率。
我们可用1，-1来标记前景、背景数据，由此可创建索引图，利用contourf()函数填充带标记图像（为了可视化覆盖的标记区域）。图建立起来后在最优位置对图进行分割。
下面这个例子会读取一幅图像，从图像的两个矩形区域估算出类概率，然后创建一个图：

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!!")

# 添加两个矩形训练区域
labels = zeros(size)
labels[3:18, 3:18] = -1
labels[-18:-3, -18:-3] = 1
print ("OK!!")


# 创建图
g = graphcut.build_bayes_graph(im, labels, kappa=1)

# 对图进行分割
res = graphcut.cut_graph(g, size)
print ("OK!!")


figure()
graphcut.show_labeling(im, labels)

figure()
imshow(res)
gray()
axis('off')

show()

原始图像

分割结果：

图左为用于模型训练的标记图像；图右为分割结果。