图像分割

1.图割
图割图像分割的思想是用图来表示图像，并对图进行划分以使割代价$E_c$最小。在用图表示图像时，增加两个额外的节点，即汇点和源点；并仅考虑那些将源点和汇点分开的割。

建立上述有向图，初始化它的权重，并使用最大流法切割这个有向图（输出路径cut）：

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)//最大流
print ('cut is:' , cuts)//切割路径

结果：

使用实际的图片演示上述原理：

代码：

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()

运行结果，左图黄色框出的为前景，蓝色框出的为背景；右图为cut后的效果：

使用聚类来分割：
代码：

im = array(Image.open('C-uniform03.ppm'))
m, n = im.shape[:2]
# resize image to (wid,wid)
wid = 50
rim = imresize(im, (wid, wid), interp='bilinear')
rim = array(rim, 'f')
# create normalized cut matrix归一化切割矩阵
A = ncut.ncut_graph_matrix(rim, sigma_d=1, sigma_g=1e-2)
# cluster聚类
code, V = ncut.cluster(A, k=3, ndim=3)

codeim = imresize(code.reshape(wid,wid),(m,n),interp='nearest')

figure()

imshow(codeim)
gray()
show()

其中特征向量以V返回。
原图：

结果图：