本文对opencv中构建图和最大流/最小割的源码进行解读，添加了中文注释 图的概念和怎么运用最大流算法实现图的最小割，看我上一篇博客：【图割】最大流/最小割算法详解（Yuri Boykov and Vladimir Kolmogorov，2004 ） opencv中gcgraph.h源码（也许有些许改动），需要用的同学，可以添加.h头文件，直接复制粘下面的代码 #include <vec

本博客主要翻译了Yuri Boykov and Vladimir Kolmogorov在2004年发表的改进最大流最小割算法用于计算机视觉的论文：An Experimental Comparison of Min-Cut/Max-Flow Algorithms for Energy Minimization in Vision 内容上参考了（好吧，我承认就是无耻的抄袭）博客：CV | Max F

从图割到图像分割（三）——多层图图割 完整的了解了图割方法处理图像分割之后，在已有的graphcuts开源代码的情况下，接下来就是自己创作的时间了。 如前面所说，图的构建是很有讲究的，何时采用四邻域，何时采用八邻域，何时采用K近邻，再何时采用全邻域？ 这些都是很有讲究的，很多人就是在这上面稍加改动，就能发一些顶级文章。不过确实，通过 Maxflow/Mincut 处理图像时

从图割到图像分割（一）——最大流算法 《算法导论》对最大流的介绍是：最大流问题是关于流网络的最简单的问题，它提出这样的问题：在不违背容量限制的条件下，把物质从源点传输到汇点的最大速率是多少？ 更多关于网络流的介绍请看网络流wiki 我最初接触最大流问题是在2011年，那时候我大四，刚保研完，去问导师我需要看哪些方面的书，老板说去把《算法导论》图论相关，以及把最大流最小割算法

图割        在图像分割中，图割是近年来十分流行的交互式分割方法。与比它早一些出现的水平集、活动轮廓等分割方法相似，都是基于能量最小化的最优求解从而得到分割结果，不同的是其结果能得到全局最优解。         在离散域中，图像的分割可以通过使以下能量函数最小化得到： （公式1）         其中D是区域项能量，衡量了将像素p划分到区域lp(例如分割对象或者背景)的代价，V是

Implementing GrabCut 这篇论文介绍了GrabCut的实现方法，并说了原GrabCut论文的一些弊端。其实也就是一种实现，而且这里说的弊端我觉得有些不妥。 GrabCut Summary 1.用户用矩形框创造一个初始Trimap，框里边被标记为未知区域，框外边被标记为已知背景。 2.由此计算出一个初始图像分割，其中所有未知像素暂时放置在前景类中，并且所有已知的背景像素被放

最近看了Fast Approximate Energy Minimization via Graph Cuts这篇论文。 主要介绍了两种局部优化的方法： Alpha-expansion and Alpha-beta-swap。通过能量函数找到最优解，从而解决以往的局部最小化方法的缺点。 在网上看到一篇很好的博文，介绍的很全面： Alpha-expansion and Alpha-beta-