SIggraph 2004 论文“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts 的源代码。

OpenCV中的GrabCut算法是依据《"GrabCut" - Interactive Foreground Extraction using Iterated Graph Cuts》这篇文章来实现的。该算法利用了图像中的纹理（颜色）信息和边界（反差）信息，只要少量的用户交互操作即可得到比较好的分割结果。那下面我们来了解这个论文的一些细节。另外opencv实现的GrabCut的源码解读见下一个博文。接触时间有限，若有错误，还望各位前辈指正，谢谢。

用MFC实现了GrabCut算法，可以对任意彩色图像进行分割，并对图像进行标注

Grabcut可以用在图像分割和文字二值化中。grabcut最基础、最核心的内容就是最大流与最小割（mincut & maxflow）。代码是mincut & maxflow 的matlab版，压缩包里放了grabcut 文献，欢迎图像分割爱好者下载学习。

针对传统GrabCut在GMM迭代估计阶段仅单纯地考虑像素点的RGB彩色信息，当前景细节区域与它的周围区域颜色差异较大时容易发生分割错误，以及基于像素的运算导致分割效率不高的问题，提出一种结合权值优化与CS-LBP纹理特征的改进算法。该算法利用多尺度分水岭对图像进行预分割，构建区域邻接图；然后对每个区域进行颜色和纹理特征的提取，通过权值迭代优化算法使区域的数据项权值与周边分块区域的权值相关联，采用自适应参数将纹理约束项引入能量函数，并将改进算法应用于人脸图像分割，有效改善了分割效果。实验结果表明，该算法分割结果更加准确，效率更高。

针对GrabCut算法在分割图像时效率低,且容易出现欠分割与过分割的问题,提出了一种基于概率神经网络(PNN)改进的GrabCut(PNN_GrabCut)算法。该算法用PNN模型替换GrabCut算法中的高斯混合模型(GMM)进行t-links权值计算,以提升算法的计算效率;通过构建前景和背景直方图,选取像素值出现频率较高的像素作为PNN模型的训练样本,以提高算法的分割精度。在公开的ADE20K数据集中选取图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度优于其他对比算法,且效率较高。对前景与背景相似度高的图像进行分割实验,结果表明,PNN_GrabCut算法的分割精度明显高于GrabCut算法。

主要介绍了python OpenCV GrabCut使用实例解析,文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值,需要的朋友可以参考下

完全提取matlab代码抓斗 GrabCut ：使用迭代图切割的交互式前景提取 我在 CS 445 - Computational Photography @ 中为我的最终项目实施了 GrabCut 特别感谢我的小组成员 Ryan Kuck 和 Michael Meyer。 使用抓取 在 MATLAB 中实现 运行main.m 中的代码，在前景对象周围绘制一个边界框。 笔记 潜在更新： 用户播种的前景/背景像素 边缘消光技术 结果 References: Carsten Rother, Vladimir Kolmogorov, and Andrew Blake. 2004. "GrabCut": interactive foreground extraction using iterated graph cuts. ACM Trans. Graph. 23, 3 (August 2004), 309-314. DOI=http://dx.doi.org/10.1145/1015706.1015720 PDF Download - http://research.microsoft.co

该资源为博主自己编写的关于opencv中图割（grabCut）算法API的使用例程

使用opencv函数grabcut，实现前景和背景分离 使用opencv函数grabcut，实现前景和背景分离