目录
9.1 图割(Graph Cut)
图论中的图(graph)是由若干节点(有时也称顶点)和连接节点的边构成的集合。

图割是将一个有向图分割成两个互不相交的集合,可以用来解决很多计算机视觉方面的问题,诸如立体深度重建、图像拼接和图像分割等计算机视觉方面的不同问题。
图割 C
(
C
是图中所有边的集合)的“代价”函数定义为所有割的边的权重求合相加:
wij
是图中节点
i
到节点
j
的边(
i
,
j
)的权重,并且是对割
C
所有的边进行求和。
图割图像分割的思想是用图来表示图像,并对图进行划分以使割代价 E
cut
最小。在用图表示图像时,增加两个额外的节点,即源点和汇点;并仅考虑那些将源点和汇点分开的割。
下面是一个用 python-graph
工具包计算一幅较小的图
的最大流
/
最小割的简单例子:
代码:
import networkx as nx
# 创建一个有向图
G = nx.DiGraph()
# 添加节点和边(源节点、目标节点、容量)
edges = [
('s', 'a', 10),
('s', 'b', 5),
('a', 'b', 15),
('a', 't', 10),
('b', 't', 10)
]
# 添加边到图中,确保所有边都有容量属性
for u, v, capacity in edges:
G.add_edge(u, v, capacity=capacity)
# 计算最大流和最小割
try:
flow_value, flow_dict = nx.maximum_flow(G, 's', 't')
cut_value, partition = nx.minimum_cut(G, 's', 't')
print(f"最大流: {flow_v

410

被折叠的 条评论
为什么被折叠?



