1. 目标

在这一章当中

• 我们将看到 GrabCut 算法来提取图像中的前景
• 我们将为此创建一个交互式应用程序。

2. 理论

GrabCut 算法由英国剑桥微软研究院 Carsten Rother，Vladimir Kolmogorov和Andrew Blake发明，并在他们的论文“GrabCut”：使用迭代图切割中提出。该算法需要最少的人工交互做前景提取，被称为 GrabCut。

从用户角度来看，该算法是如何工作的呢？最初用户在前景区域周围绘制一个矩形(该矩形需要完全框住所有的前景区域) 。然后算法对其进行迭代分割，得到最佳结果。但在某些情况下，分割的不是那么理想，比如说，它可能把一些前景区域标成了背景，或者反过来。如果发生了这样的情况，用户需要进行仔细的修正。只要在有错误结果的地方“划一下”就行了。“划一下”基本的意思是说，*"嘿，这个区域应该是前景，你标记它为背景，在下一次迭代中更正它。"* 或者如果区域是背景，也如此类推。然后再下一次迭代中，你就会得到更好的结果。

见下图。第一名球员和足球被包围在一个蓝色矩形中。然后进行一些具有白色笔划（表示前景）和黑色笔划（表示背景）的最终修饰。我们得到了一个很好的结果。

那背景会发生什么？

• 用户输入矩形。这个矩形之外的所有东西都将被视为确定的背景（这就是之前提到的矩形应该包括所有对象的原因）。矩形内的一切都是未知的。类似地，任何指定前景和背景的用户输入都被视为硬标签，这意味着它们不会在过程中发生变化。
• 计算机根据我们提供的数据进行初始标记。它标记前景和背景像素（或硬标记）
• 现在使用高斯混合模型（GMM）来模拟前景和背景。
• 根据我们提供的数据，GMM 学习并创建新的像素分布。也就是说，未知像素被标记为可能的前景或可能的背景，这取决于其在颜色统计方面与其他硬标记像素的关系（它就像聚类一样）。
• 从该像素分布构建图形。图中的节点是像素。添加了另外两个节点，源节点和 Sink 节点。每个前景像素都连接到源节点，每个背景像素都连接到 Sink 节点。
• 连接像素到源节点/端节点的边的权重由像素是前景/背景的概率来定义。像素之间的权重由边缘信息或像素相似性定义。如果像素颜色存在较大差异，则它们之间的边缘将获得较低的权重。
• 然后使用 mincut 算法来分割图形。它将图形切割成两个分离源节点和汇聚节点，具有最小的成本函数。成本函数是被切割边缘的所有权重的总和。切割后，连接到 Source 节点的所有像素变为前景，连接到 Sink 节点的像素变为背景。
• 该过程一直持续到分类收敛为止。

如下图所示

现在我们使用 OpenCV 进行抓取算法。 OpenCV 具有此功能， cv.grabCut（） 。我们将首先看到它的参数：

• img - 输入图像
• mask - 这是一个掩膜图像，我们指定哪些区域是背景，前景或可能的背景/前景等。它由以下标志完成， **cv.GC_BGD ， cv.GC_FGD ， cv.GC_PR_BGD ， cv.GC_PR_FGD**，或简单地将 0,1,2,3 传递给图像。
• rect - 它是一个矩形的坐标，包括格式为（x，y，w，h）的前景对象
• bdgModel ， fgdModel - 这些是内部算法使用的数组。您只需创建两个大小为（n = 1.65）的 np.float64 类型零数组。
• iterCount - 算法运行的迭代次数。
• 模式 - 它应该是 **cv.GC_INIT_WITH_RECT**或 **cv.GC_INIT_WITH_MASK**或合并后决定我们是否正在绘图矩形或最终修饰笔画。

GrabCut是一种基于图割（Graph Cut）的交互式前景提取算法，它由微软研究院的Carsten Rother、Vladimir Kolmogorov和Andrew Blake在2004年提出。GrabCut算法利用了图割技术来优化图像分割，使得分割结果既准确又高效。与传统的图像分割方法相比，GrabCut能够更好地处理复杂背景和透明物体，同时允许用户交互式地修正分割结果。
GrabCut算法的基本步骤如下：

• 1. **用户交互**：用户在图像中画一个矩形框，框出想要提取的前景对象。这个矩形框内的区域被认为是可能的前景，而矩形框外的区域被认为是背景。
• 2. **初始化**：算法将矩形框内的像素分为两类：前景（T）和背景（B）。矩形框外的像素被初始化为确定背景（B）。
• 3. **构建图模型**：GrabCut构建了一个图模型，其中节点代表图像中的像素和边界像素，边代表像素之间的关系。每个像素节点与一个源节点（source node）和一个汇节点（sink node）相连，边的权重由像素之间的相似度决定。
• 4. **能量最小化**：通过图割算法（如最大流最小割算法）来最小化能量函数，能量函数考虑了像素之间的相似性和光滑性。在最小化过程中，图中的边被切割，从而将像素分为前景和背景。
• 5. **迭代优化**：GrabCut算法迭代地更新像素的前景和背景概率，并重新进行图割，直到达到收敛。
• 6. **用户修正**：用户可以标记错误分类的像素，GrabCut会根据用户的反馈重新计算概率和进行图割，以改进分割结果。
• 7. **输出结果**：最终，GrabCut算法输出一个前景掩码，其中前景像素被标记为白色，背景像素被标记为黑色。

GrabCut算法的优点是它能够处理较为复杂的场景，并且用户交互简单，可以快速得到满意的分割结果。此外，它的计算效率较高，适合于实时应用。然而，GrabCut算法对于物体的轮廓和纹理较为敏感，对于边缘模糊或纹理复杂的区域可能分割效果不佳。
 

首先让我们看看矩形模式。我们加载图像，创建一个类似的蒙版图像。我们创建 fgdModel 和 bgdModel 。我们给出矩形参数。这一切都是直截了当的。让算法运行 5 次迭代。模式应该是 _cv.GC_INIT_WITH_RECT_，因为我们使用的是矩形。然后运行抓取。它修改了蒙版图像。在新的掩模图像中，像素将标记有四个标记，表示背景/前景，如上所述。因此，我们修改掩模，使得所有 0 像素和 2 像素都被置为 0（即背景），并且所有 1 像素和 3 像素被置为 1（即前景像素）。现在我们的最后面具准备好了。只需将其与输入图像相乘即可得到分割后的图像。

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('messi5.jpg')
mask = np.zeros(img.shape[:2],np.uint8)
bgdModel = np.zeros((1,65),np.float64)
fgdModel = np.zeros((1,65),np.float64)
rect = (50,50,450,290)
cv.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv.GC_INIT_WITH_RECT)
mask2 = np.where((mask==2)|(mask==0),0,1).astype('uint8')
img = img*mask2[:,:,np.newaxis]
plt.imshow(img),plt.colorbar(),plt.show()

结果如下：

哎呀，梅西的头发都没了。谁喜欢没头发的梅西？ 我们需要把它带回来。所以我们将用 1 像素（确定的前景）给出一个精细的修饰。与此同时，有些地方已经出现了我们不想要的图片，还有一些标识。我们需要删除它们。在那里我们提供一些 0 像素的修饰（确定背景）。因此，我们如前所述地调整了结果掩膜。

我实际上做的是，在绘画应用程序中打开了输入图像，并在图像中添加了另一层。在画中使用画笔工具，我在这个新图层上标记了不需要的白色背景（如徽标，地面等）以及黑色的前景（头发，鞋子，球等）。然后用灰色填充剩余的背景。然后在 OpenCV 中加载该掩模图像，编辑我们在新添加的掩模图像中使用相应值的原始掩模图像。查看以下代码：

# newmask is the mask image I manually labelled
newmask = cv.imread('newmask.png',0)
# wherever it is marked white (sure foreground), change mask=1
# wherever it is marked black (sure background), change mask=0
mask[newmask == 0] = 0
mask[newmask == 255] = 1
mask, bgdModel, fgdModel = cv.grabCut(img,mask,None,bgdModel,fgdModel,5,cv.GC_INIT_WITH_MASK)
mask = np.where((mask==2)|(mask==0),0,1).astype('uint8')
img = img*mask[:,:,np.newaxis]
plt.imshow(img),plt.colorbar(),plt.show()

看下面的结果： 

 

 就是这样了。这里不是在 rect 模式下初始化，而是直接进入掩膜模式。只需用 2 像素或 3 像素（可能的背景/前景）标记蒙版图像中的矩形区域。然后像我们在第二个例子中那样用 1 像素标记我们的 sure_foreground。然后直接应用具有掩膜模式的 grabCut 函数。