Livewire算法（智能剪刀）一步一步

Question

我试图对livewire算法进行编码，但由于该文章＆＃34;图像合成的智能剪刀＆＃34;有点凌乱，我不理解如何应用某些东西，例如：如何计算当地的成本地图和其他东西。

所以，任何人都可以用简单的语言一步一步地解释它吗？

我会提供任何帮助

感谢。

Answer 1

你应该阅读Mortensen, Eric N., and William A. Barrett. "Interactive segmentation with intelligent scissors." Graphical models and image processing 60.5 (1998): 349-384.，其中包含有关算法的更多细节，而不是较短的论文“智能剪刀图像合成”。

以下是高级概述：

智能剪刀算法使用Dijkstra图搜索算法的变体来查找从种子像素到目标像素的最小成本路径（交互式分割期间鼠标光标的位置）。

1）本地费用

像素p到像素q的每条边都有本地成本，这是本地成本的线性组合（由p和{{1之间的距离调整考虑对角线像素）：

• 拉普拉斯过零q
• 渐变幅度f_Z(q)
• 渐变方向f_G(q)
• 边缘像素值f_D(p,q)
• 内部像素值f_P(q)
• 外部像素值f_I(q)

其中一些本地成本是静态的，可以离线计算。 f_O(q)和f_Z以不同的比例（意味着具有不同大小的内核）计算，以更好地表示像素f_G的边缘。 q，f_G，f_P，f_I动态（或具有动态组件，如f_O的情况）为即时培训计算

2）即时培训

为了防止以比当前跟随的当前成本更低的成本捕捉到不同边缘，该算法使用即时训练为相邻像素分配较低的成本，这些像素沿着当前边缘“看起来像”过去的像素。

这是通过沿最后64或128个边缘像素构建图像值特征的直方图来完成的。通过缩放和舍入f_G（其中f'_G），f_G = 1 - f'_G，f_P和f_I来计算图像值要素，以便在{{中具有整数值1}}或f_O可用于索引直方图。

直方图被反转并缩放以计算动态成本地图[0 255]，[0 1023]，m_G和m_P。我们的想法是，低成本邻居m_I应该适合之前看到的64或128像素的直方图。

本文给出了伪代码，展示了如何计算这些动态成本，给出了路径上先前选择的像素列表。

3）图表搜索

静态和动态成本合并为一个成本，从像素m_O移动到其8个邻居之一q。通过基本上使用具有最小优先级队列的Dijkstra算法来完成从种子像素到目标像素的最低成本路径。该论文给出了伪代码。