Graph Cut图像分割算法——Python+Opencv实现

# -*- coding: utf-8 -*-
import matplotlib
matplotlib.use（‘TkAgg‘）
from numpy import *
import numpy
import maxflow
from PIL import Image
from matplotlib import pyplot as plt
from pylab import *
import cv2

#The function implements graph cut by partitioning a directed graph into two disjoint sets foreground and background...
def graph（file # input image
k # kappa value --> similar pixels have weight close to kappa
s # Sigma value --> determines how fast the values decay towards zero with increasing dissimilarity.
fore # foreground area ---> should be input by the user manually.
back）: # background area ---> should be input by the user manually.
    I = （Image.open（file）.convert（‘L‘）） # read image L = R * 299/1000 + G * 587/1000 + B * 114/1000
    If = I.crop（fore） # take a part of the foreground
    Ib = I.crop（back） # take a part of the background
    IIfIb = array（I）array（If）array（Ib） # convert all the images to arrays to calculation
    IfmeanIbmean = mean（cv2.calcHist（[If][0]None[256][0256]））mean（cv2.calcHist（[Ib][0]None[256][0256]）） #Taking the mean of the histogram
    FB =  ones（shape = I.shape）ones（shape = I.shape） #initalizing the foreground/background probability vector
    Im = I.reshape（-11） #Coverting the image array to a vector for ease.
    mn = I.shape[0]I.shape[1]# copy the size
    gpic = maxflow.Graph[int]（mn）maxflow.Graph[int]（） # define the graph
    structure = np.array（[[inf 0 0]
                          [inf 0 0]
                          [inf 0 0]
                         ]） # initializing the structure....
    sourcesinkJ = m*nm*n+1I # Defining the Source and Sink （terminal）nodes.
    nodesnodeids = g.add_nodes（m*n）pic.add_grid_nodes（J.shape） # Adding non-nodes
    pic.add_grid_edges（nodeids0）pic.add_grid_tedges（nodeids J 255-J）
    gr = pic.maxflow（）
    IOut = pic.get_grid_segments（nodeids）
    for i in range（I.shape[0]）: # Defining the Probability function....
        for j in range（I.shape[1]）:
            F[ij] = -log（abs（I[ij] - Ifmean）/（abs（I[ij] - Ifmean）+abs（I[ij] - Ibmean））） # Probability of a pixel being foreground
            B[ij] = -log（abs（I[ij] - Ibmean）/（abs（I[ij] - Ibmean）+abs（I[ij] - Ifmean））） # Probability of a pixel being background
    FB = F.reshape（-11）B.reshape（-11） # convertingb  to column vector for ease
    for i in range（Im.shape[0]）:
        Im[i] = Im[i] / linalg.norm（Im[i]） # normalizing the input image vector 
    w = structure # defining the weight       
    for i in range（m*n）:#checking the 4-neighborhood pixels
        ws=（F[i]/（F[i]+B[i]）） # source weight
        wt=（B[i]/（F[i]+B[i]）） # sink weight
        g.add_tedge（iws[0]wt） # edges between pixels and terminal
        if i%n != 0: # for left pixels
            w = k*exp（-（abs（Im[i]-Im[i-1]）**2）/s） # the cost function for two p