标签：
写在最前： 对最近的工作进行简要总结，毕竟老了，容易忘。 力求言简意赅，了解思想，不过分深入算法。
这里有两个链接大家参考：
1. https://www.youtube.com/watch?v=HMGX8HXskKk
2. http://blog.csdn.net/zouxy09/article/details/8532111
简介：
Graph cuts 也叫图割（复数）， 所以从字面上就一个图（图论里的图）可以有多个割，这里的割，指分割，也就是segmetation。 算法的含义就是用图论（graph）的方法对图像（image）进行分割，边缘提取。
正文：
Step 1： 建立图， 从图像到图的的建立。
顶点：图像的每个像素（注意是每个像素）作为图中的顶点，也叫第一类顶点；第二类顶点是为了图割算法而引入的，叫sourse和sink 分别对应S和T，图的顶点建立完毕。
边： 图的顶点之间的链接，也就是边。两种顶点建立两种边：第一种边是第一类顶点之间的链接，叫做n-links;第二种边是第二类顶点和第一类顶点之间的边，叫t-links。
step 2： 分割，引入图论中的min cut（最小割），顾名思义，让整个图分割时所付出的代价最小，也就是损失函数的加权和最小。 所以图的边还需要权重（损失函数），从上图中我们发现有的边粗，有的边细，他们就代表了边的权重。 如何设计损失函数（边的权重）？
第一类边（n-links）的权是像素相似性的度量，general的想法就是：像素之间的相似性，相似性越大，权重越大，相似性越小，权重越小，我们通过切断相似性小的边，达到图像分割的目的，使前景和背景分开。
第二类边（t-links）的权重如何定义呢？ 简单来说，graph cuts需要用户的预先定义两个点，就是S和T，所以，我们至少知道两个分别属于前景和背景的点，那么两个点周围各自的点，属于该前景或背景的概率就会很大，我们甚至可以预先定义一些前景点和背景点作为算法的输入。
通过min cut 算法，得到了这个图像的分割。 要求1：分割可以把图中的顶点分为互不相交的两个集合。要求2：损失最小。 这个分割是穿过t-links和n-links的。 同时我们就得到图像的分割（segmentation）。
整个流程的图示2：
数学：
第一类边的权重（也叫区域项）：
第二类边的权重（也叫边界项）：
图像的能量表示，min cut就是求这个能量最小：
标签：
原文地址：http://www.cnblogs.com/Matrix420/p/4839248.html
