我尝试编写科学论文，但遇到了一些麻烦。本文是关于前景/背景分割的，其中前景是运动物体，背景是静态场景。我用KDE算法获得了每个像素属于前景或背景的概率。现在，我必须在成对的MRF上使用Graph Cut算法。这是减少能量的方法： energy_function
l_i和l_j是我要为每个像素找到的标签。 p（x_i | phi_f）是像素x_i属于前景而p（x_i | phi_b）属于背景的概率。这些概率是通过KDE估算的。
MRF的每个节点都是图像中的一个像素。一个像素与其四个邻居之间有一条边缘，每个像素与源与宿之间有一条边缘（一个用于前景，一个用于背景）。
我需要帮助才能将此方程式传递给代码。
如果我理解的话，第一个术语是成对成本，以求平滑并确定像素与其相邻像素之间边缘的权重。根据等式，我将λ作为权重放在每个边缘上。
第二项是一元成本，它确定像素与源和接收器之间边缘的权重。在此，像素与源之间的权重与像素与宿之间的权重相同。我说的对吗？
我将sklearn的KernelDensity和PyMaxflow用于Graph Cut。有关代码的另一个问题：score_samples（）函数返回某些像素的inf值。如何在Graph Cut中使用这些值？
感谢您的帮助！
