冒泡~好像是很久沒有寫...在實(shí)驗(yàn)室一周多了...在不斷地安裝環(huán)境和庫(kù)赞弥，其他沒有太大的進(jìn)展讯泣，今天在做顯著性圖片的提取中嗦枢，發(fā)現(xiàn)了grabcut的函數(shù)可以用來摳圖，做個(gè)小筆記附鸽。

GrabCut

簡(jiǎn)介

GrabCut該算法利用了圖像中的紋理（顏色）信息和邊界（反差）信息脱拼，只要小量的用戶交互操作即可得到比較好的分割效果

算法原理

補(bǔ)充說明：
【a.矩形外的所有區(qū)域肯定是背景。矩形框內(nèi)的東西是未知的坷备。同樣用戶確定前景和背景的任何操作都不會(huì)被程序改變挪拟。
b.根據(jù)我們的輸入，GMM會(huì)學(xué)習(xí)并創(chuàng)建新的像素分布击你。對(duì)那些分類未知的像素（可能是前景也可能是背景）玉组，可以根據(jù)他們與已知分類（如背景）的像素關(guān)系來進(jìn)行分類（就想在做聚類操作）。
c.圖中的節(jié)點(diǎn)就是像素點(diǎn)丁侄。除了像素點(diǎn)做節(jié)點(diǎn)之外還有兩個(gè)節(jié)點(diǎn)：Source_node和Sink_node惯雳。所有的前景像素都和Source_node相連。所有的背景像素都和sink_node相連鸿摇。
d.兩個(gè)像素之間的權(quán)重由邊的信息或者兩個(gè)像素的相似性來決定石景。如果兩個(gè)像素的顏色有很大的不同，那么它們之間的邊的權(quán)重就會(huì)很小拙吉〕蹦酰】

具體的算法原理可參考（https://www.cnblogs.com/mikewolf2002/p/3341418.html）

函數(shù)原型

grabCut(img, mask, rect, bgdModel, fgdModel, iterCount, mode=None)

解釋

img：待分割的源圖像，必須是8位3通道（CV_8UC3）圖像筷黔，在處理的過程中不會(huì)被修改往史；
mask：掩碼圖像，如果使用掩碼進(jìn)行初始化佛舱，那么mask保存初始化掩碼信息椎例；在執(zhí)行分割的時(shí)候，也可以將用戶交互所設(shè)定的前景與背景保存到mask中请祖，然后再傳入grabCut函數(shù)订歪；在處理結(jié)束之后，mask中會(huì)保存結(jié)果肆捕。
mask只能取以下四種值：
GCD_BGD（=0）刷晋，背景；
GCD_FGD（=1），前景眼虱；
GCD_PR_BGD（=2）或舞，可能的背景；
GCD_PR_FGD（=3）蒙幻，可能的前景映凳。
如果沒有手工標(biāo)記GCD_BGD或者GCD_FGD，那么結(jié)果只會(huì)有GCD_PR_BGD或GCD_PR_FGD邮破；
rect：用于限定需要進(jìn)行分割的圖像范圍诈豌，只有該矩形窗口內(nèi)的圖像部分才被處理；
bgdModel：背景模型抒和，如果為null矫渔，函數(shù)內(nèi)部會(huì)自動(dòng)創(chuàng)建一個(gè)bgdModel；bgdModel必須是單通道浮點(diǎn)型（CV_32FC1）圖像摧莽，且行數(shù)只能為1庙洼，列數(shù)只能為13x5；
fgdModel：前景模型镊辕，如果為null油够，函數(shù)內(nèi)部會(huì)自動(dòng)創(chuàng)建一個(gè)fgdModel；fgdModel必須是單通道浮點(diǎn)型（CV_32FC1）圖像征懈，且行數(shù)只能為1石咬，列數(shù)只能為13x5；
iterCount：迭代次數(shù)卖哎，必須大于0鬼悠；
mode：用于指示grabCut函數(shù)進(jìn)行什么操作，可選的值有：
GC_INIT_WITH_RECT（=0）亏娜，用矩形窗初始化GrabCut焕窝；
GC_INIT_WITH_MASK（=1），用掩碼圖像初始化GrabCut维贺；
GC_EVAL（=2）它掂，執(zhí)行分割。

代碼實(shí)現(xiàn)

import cv2
import numpy as np
from matplotlib import pyplot as plt

img = cv2.imread('F:/8.jpg')
OLD_IMG = img.copy()
mask = np.zeros(img.shape[:2], np.uint8)
SIZE = (1, 65)
bgdModle = np.zeros(SIZE, np.float64)
fgdModle = np.zeros(SIZE, np.float64)
rect = (1, 1, img.shape[1], img.shape[0])
cv2.grabCut(img, mask, rect, bgdModle, fgdModle, 10, cv2.GC_INIT_WITH_RECT)

mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype('uint8')
img *= mask2[:, :, np.newaxis]

plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title("grabcut"), plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(cv2.cvtColor(OLD_IMG, cv2.COLOR_BGR2RGB))
plt.title("original"), plt.xticks([]), plt.yticks([])

plt.show()

效果圖

改變iterCount(迭代）的次數(shù)可以改變摳圖的精準(zhǔn)度
（不足幸缕，迭代次數(shù)越多 運(yùn)行所耗的時(shí)間更長(zhǎng)）
迭代10次

參考資料（https://blog.csdn.net/HuangZhang_123/article/details/80535269）
（https://blog.csdn.net/sunshine_in_moon/article/details/45200793）

Ending~
感覺實(shí)驗(yàn)是要做不出來了群发，只能祈禱畢設(shè)順利了。