概述

✔️ Grabcut是基于图割(graph cut)实现的图像分割算法，用户输入一个bounding box作为分割目标位置，实现目标与背景的分离/分割。

✔️ Grabcut分割速度快，效果好，支持交互操作，因此在很多APP图像分割/背景虚化的软件中经常使用。

算法流程

• 在图片中定义含有(一个或多个)物体的矩形；
• 矩形外的区域被自动认为是背景；
• 对于用户定义的矩形区域，可以使用背景中的数据来区分矩形内的区域是前景还是背景；
• 用高斯混合模型(GMM)来对背景和前景进行建模，并将未定义的像素标记为可能的前景或背景
• 图像中的每一个像素都被看做通过虚拟边与周围像素相连接，而每条边都有一个属于前景和背景 的概率，这基于他与周围像素颜色上的相似性
• 每一个像素(即算法中的节点)会与一个前景和背景节点连接。这与下图类似：

• 在节点完成连接后(可能与背景或前景连接)，若节点之间的边属于不同的终端(一个属于背景，一个输入前景)，则会切断他们之间的边，这就将图像的各个部分分割出来，下图能够很好的说明算法：

函数

cv2.grabCut(img, rect, mask,bgdModel, fgdModel, iterCount, mode = GC_EVAL)

其中：

• img --> 输入的三通道图像；
• mask --> 输入的单通道图像，初始化方式为GC_INIT_WITH_RECT表示ROI区域可以被初始化为：
  • GC_BGD --> 定义为明显的背景像素 0
  • GC_FGD --> 定义为明显的前景像素 1
  • GC_PR_BGD --> 定义为可能的背景像素 2
  • GC_PR_FGD --> 定义为可能的前景像素 3
• rect --> 表示roi的区域，即存在着要分割物体的部分，包括前景的矩形，格式为(x,y,w,h)
• bgdModel --> 表示临时背景模型数组；
• fgdModel --> 表示临时前景模型数组；
• iterCount --> 表示图割算法迭代次数, 次数越多，效果越好；
• mode --> 当使用用户提供的roi时候使用GC_INIT_WITH_RECT。

代码

import cv2import numpy as npfrom matplotlib import pyplot as plt img = cv2.imread("../images/13.jpg")gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 创建于读入图像，相同大小的掩模mask = np.zeros(img.shape[:2],np.uint8) # 创建以0填充的前景和背景模型bgdModel = np.zeros((1, 65), np.float64)fgdModel = np.zeros((1, 65), np.float64) rect = (100,50,421,378)# 需要手动给出包含前景的矩形区域cv2.grabCut(img, mask, rect, bgdModel,fgdModel,6,cv2.GC_INIT_WITH_RECT) # 此时的掩模已经变成了0-3之间的数字，mask2 = np.where((mask == 2) | (mask == 0),0,1).astype('uint8') img = img * mask2[:,:,np.newaxis] plt.subplot(121),plt.imshow(img)plt.title("grabcut"),plt.xticks([]),plt.yticks([]) plt.subplot(122),plt.imshow(gray)plt.title("original"),plt.xticks([]),plt.yticks([]) plt.show()

下面的示例代码主要有这几步：

• 加载想要处理的图像，然后创建一个与图像大小相同的掩模，并用0填充。
• 创建以0填充的前景和背景模型。
• 准备一个标识出想要隔离的对象的矩形来初始化GrabCut算法。
• 使用指定的空模型和掩模来运行GrabCut算法。
• cv2.grabCut()的第六个参数是算法迭代的次数，执行完算法之后，掩模已经变成了包含0~3的值，其中值为0和2的为背景，值为1和3的为前景。
• 使用matplotlib来并排展示处理前后的图像。

参考1：https://blog.csdn.net/qq_39384184/article/details/83188820

参考2：https://blog.csdn.net/qq_44669578/article/details/102627260