本文源自微信公众号【Python编程和深度学习】原文链接：[GraphCut和GrabCut图像分割方法及Matlab实例](https://mp.weixin.qq.com/s?__biz=MzUxNTY1MjMxNQ==&mid=2247484194&idx=1&sn=6177d5431cec230fc1c14b56e9620b11&chksm=f9b22c96cec5a580204cb64d9c8e0b36fbcb1e4f0bea6a7a3e2b1ffcd94eeabf111893532978&token=1404604522&lang=zh_CN#rd)，欢迎扫码关注鸭！  # 目录 [一、Graph Cut](#1)<br> [二、Grab Cut](#2)<br> <div id="1"></div> ##一、Graph Cut Graph Cut把图像分割问题与图的最小割（min cut）问题相关联，首先用一个无向图G=表示要分割的图像，V和E分别是顶点（vertex）和边（edge）的集合。此处的Graph比普通图多了2个顶点（”S”和”T”，称为终端顶点）。其它所有的顶点都必须和这2个顶点相连。一个图像对应的s-t图如下：  实线的边表示每两个邻域普通顶点连接的边n-links，虚线的边表示每个普通顶点与s和t连接的边t-links。在目标分割中，s一般表示前景目标，t一般表示背景。每条边都有一个非负的权值we，一个cut（割）（图中边集合E的一个子集C）的cost就是边子集C的所有边的权值的总和，如果它的边的所有权值之和最小，那么这个就称为最小割，也就是图割的结果。最小割把图的顶点划分为两个不相交的子集S和T，对应于图像的前景像素集和背景像素集。 Graph cut的3x3图像分割示意图如下：  下面用Matlab演示一下GraphCut的实例，源代码连接：https://github.com/taigw/GrabCut-GraphCut 在运行user_interface.m之后会弹出交互窗口，Load Image 导入我们的图像，  选择GraphCut， Scribbles, 鼠标左键简单描绘目标区域，右键简单描绘背景区域，  点击Go即可完成图像分割，之后进行一些交互式的优化后，点击Save Segmentation既可以保存分割结果了。   <div id="2"></div> ##二、Grab Cut 是迭代的Graph Cut，利用了图像中的纹理（颜色）信息和边界（反差）信息，只要少量的用户交互操作即可得到比较好的分割结果。你只需要在目标外面画一个框，把目标框住，它就可以完成良好的分割，还可以和GraphCut结合，增加额外的用户交互（由用户指定一些像素属于目标），得到更加完美的分割结果。 GrabCut的缺点是如果背景比较复杂或者背景和目标相似度很大结果不太好，而且速度有点慢。 Graph Cut和GrabCut的不同点有： （1）Graph Cut的目标和背景的模型是灰度直方图，Grab Cut取代为RGB三通道的混合高斯模型GMM； （2）Graph Cut的能量最小化（分割）是一次达到的，而Grab Cut取代为一个不断进行分割估计和模型参数学习的交互迭代过程； （3）Graph Cut需要用户指定目标和背景的一些种子点，但是Grab Cut只需要提供背景区域的像素集就可以了。也就是说你只需要框选目标，那么在方框外的像素全部当成背景，这时候就可以对GMM进行建模和完成良好的分割了。即Grab Cut允许不完全的标注（incomplete labelling）。 下面用Matlab演示一下GrabCut的实例，代码连接：https://github.com/taigw/GrabCut-GraphCut 在运行user_interface.m之后会弹出交互窗口，Load Image 导入我们的图像，选择GrabCut， Bounding box, 鼠标左键框出目标区域，点击Go，完成初步分割  之后进行一些交互式的Scribbles优化后，点击Save Segmentation既可以保存分割结果了。  部分转自：https://blog.csdn.net/kyjl888/article/details/78253829