基于颜色特征的Graph Cut图像分割系统

资 源 简 介

本项目旨在利用图论方法将输入图像根据颜色特征精确分割为背景和前景两个类别。系统通过将图像中的每一个像素抽象为图中的一个节点，并引入两个特殊的源点和汇点即终端节点，构建一个复杂的网络流模型。在算法实现过程中，通过计算数据代价项（基于颜色分布的似然概率或成员概率）和边界平滑项（基于相邻像素间的颜色差异以及欧几里得距离）来确定图中各条边的权重值。随后通过调用高效的最大流最小割数值优化算法，寻找整个能量函数的全局最优解，从而实现图像的最优分割边界。该系统能够有效处理具有复杂纹理或光照不均的图像，适用于需要高精度轮

详 情 说 明

基于颜色特征的图割（Graph Cut）图像分割系统

项目介绍

本项目实现了一个基于图论优化理论的图像分割系统。其核心思想是将图像分割问题转化为数学上的最小割（Minimum Cut）问题。系统将图像的每个像素视为图中的一个节点，并通过构建源点（Source）与汇点（Sink）来代表前景与背景类别。通过综合考虑像素自身的颜色概率分布（数据代价）以及相邻像素间的平稳性（平滑代价），算法利用最大流最小割定理寻找能量函数的全局最优解，从而实现精确的图像轮廓提取。

功能特性

1. 自动化图像预处理：系统具备自动缩放功能，针对高分辨率图像进行等比例下采样，以确保计算效率与内存占用之间的平衡。

1. 稳健的颜色建模：集成高斯混合模型（GMM）对前景和背景的颜色分布进行统计建模。在缺失相关工具箱时，系统能自动降级为基于欧氏距离的概率估计方案，保证了代码在不同环境下的兼容性。

1. 能量函数最小化：通过λ参数调节数据项与平稳项的权重。引入数据项以保证像素分类符合颜色分布，引入平滑项以确保分割边界的连续性，有效抑制孤立噪点。

1. 种子点约束机制：支持通过显式标记种子点来施加硬约束（Hard Constraints）。系统将种子点到对应终端节点的边权重设为无穷大，确保用户指定的区域在分割结果中被强制分类。

1. 多维度结果可视化：系统提供一站式的可视化展示，包括原始种子点标注图、二值掩码图、提取后的彩色前景目标以及叠加在原图上的绿色分割轮廓线。

实现逻辑

1. 图像载入与自适应调整：

系统读取输入的RGB图像并将其转换为双精度浮点数格式。如果图像高度超过300像素，会自动进行下采样，以降低后续图构建的复杂度。

1. 种子点掩码初始化：

系统模拟了交互式操作过程，逻辑上将图像的中心矩形区域设定为前景种子点，将图像边缘四周的10像素边界设定为背景种子点。这些种子点作为后续学习颜色模型及构建硬约束的基础。

1. 统计模型构建：

提取种子点覆盖区域的像素颜色数据。利用高斯混合模型对这些像素进行拟合，学习前景和背景的概率密度函数（PDF）。对于全图每一个像素，计算其归属于前景和背景的似然概率，并取其负对数作为数据项权重。

1. 网络流图构建：

构建一个包含节点总数为（像素数+2）的有向图。

• 节点定义：每个像素为一个节点，外加一个源点S（代表前景）和一个汇点T（代表背景）。
• 邻域边（N-links）：在像素间建立4连通邻域关系。
• 终端边（T-links）：建立每个像素到S和T的连接。

1. 权重分配策略：

• 平滑项：计算水平和垂直方向上相邻像素的颜色差异。差异越小，连接权重越高，表示边界穿过的代价越高，从而促使分割线避开颜色平滑区域。
• 数据项：基于GMM计算的负对数似然概率。同时，对于初始种子点，将其到归属端的权重设为极大值（10的9次方），到另一端的权重设为0。

1. 优化求解：

调用高效的最大流算法寻找从S到T的最小割。根据最小割定理，该割集将图中所有节点划分为两个互不相交的集合，与S相连的部分即为最终的分割前景。

1. 后处理与渲染：

根据分割结果生成逻辑掩码，并基于该掩码提取彩色前景物体。利用边界跟踪算法提取掩码轮廓，并将其绘制在原始图像上。

关键算法与技术细节

1. 高斯混合模型（GMM）：采用5个混合组件对RGB三维空间进行建模。通过fitgmdist函数学习复杂分布，并使用正则化值防止协方差矩阵奇异。在回退方案中，使用指数化的像素均值差作为替代概率算子。

1. 平滑权重函数：采用公式 w = exp(-diff / (2 * sigma^2)) 进行计算。其中diff是相邻像素在RGB空间的欧氏距离平方。该函数通过指数衰减特性，使得颜色相近的像素点之间具有很强的粘合力。

1. 最大流最小割算法：利用内置的digraph对象构建复杂的稀疏矩阵连接，并执行maxflow函数。该算法通过寻找增广路径来确定最小截断容量，能保证在多项式时间内找到能量函数的全局最小值，优于经典的能陷于局部最优的分割算法。

1. 拓扑结构：采用4连通图结构，在保证边界平滑效果的同时平衡了边的总数（约为像素数的4倍加2倍终端节点边），从而优化了计算内存空间的使用。

系统要求

1. 软件环境：MATLAB R2016a 或更高版本。
2. 推荐工具箱：Image Processing Toolbox (用于图像读取、处理与展示)，Statistics and Machine Learning Toolbox (用于GMM建模)。
3. 内存要求：由于使用了稀疏矩阵构建庞大的图结构，建议处理图像尺寸控制在合理范围内。