内容来自OpenCV-Python Tutorials 自己翻译整理

目标：

GrabCut算法原理与应用
创建交互式程序完成前景提取

原理：
首先用矩形将要选择的前景区域选定，其中前景区域应该完全包含在矩形框当中。然后算法进行迭代式分割，知道达到效果最佳。但是有时分割结果不好，例如前景当成背景，背景当成前景。测试需要用户修改。用户只需要在非前景区域用鼠标划一下即可。
如文档中的图片，运动员和足球被蓝色矩形保卫，其中有数个用白色标记修改的，表示前景区域，黑色表示背景区域。

首先，输入矩形框，矩形框外部区域都是背景。内部一定包含前景。

电脑对输入图像进行初始化，标记前景和背景的像素。

使用高斯混合模型（GMM）对前景和背景建模。

根据输入，GMM会学习并创建新的像素分布。对未知的像素（前景或背景不确定），根据他们与已知的分类像素关系进行分类。（类似聚类操作）

这样会根据像素的分布创建一幅图，图中节点是像素。除了像素点是节点以外，还有Source_node和Sink_node两个节点。所有的前景图像斗鱼Source_node相连。背景与Sink_node相连。

像素是否连接到Source_node/end_node依赖于权值，这个权值由像素属于同一类，也就是前景或者背景的概率来决定。如果像素的颜色有很大区别，那么他们之间的权重就很小。

使用mincut算法对图像进行分割。它会根据最小代价方程对图像分成source_node和sink_node。代价方程是指裁剪所有边上权重的和。裁剪完成后，所有连接到source_node的判定为前景，sink_node上的为背景。

继续此过程，直到分类收敛。

此网站有关于GrabCut算法的详细讲解

示例：

cv2.grabCut()函数参数

img 输入图像

mask 蒙板图像，确定前景区域，背景区域，不确定区域，可以设置为cv2.GC_BGD,cv2.GC_FGD,cv2.GC_PR_BGD,cv2.GC_PR_FGD，也可以输入0,1,2,3

rect 前景的矩形，格式为（x,y,w,h），分别为左上角坐标和宽度，高度

bdgModel, fgdModel 算法内部是用的数组，只需要创建两个大小为(1,65）np.float64的数组。

iterCount 迭代次数

mode cv2.GC_INIT_WITH_RECT 或 cv2.GC_INIT_WITH_MASK，使用矩阵模式还是蒙板模式。

import numpy as np

import cv2

from matplotlib import pyplot as plt

img = cv2.imread('1.jpg')

mask = np.zeros(img.shape[:2],np.uint8)

bgdModel = np.zeros((1,65),np.float64)

fgdModel = np.zeros((1,65),np.float64)

rect = (50,50,450,290)#划定区域

cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)#函数返回值为mask,bgdModel,fgdModel

mask2 = np.where((mask==2)|(mask==0),0,1).astype('uint8')#0和2做背景

img = img*mask2[:,:,np.newaxis]#使用蒙板来获取前景区域

cv2.imshow('p',img)

cv2.waitKey(0)

计算完成后mask里面值为0到3，其中0表示背景，1表示前景，2表示可能是背景，3表示可能是前景
代码中将0和2合并为背景 1和3合并为前景

样例中的图片结果如下

可以看到得到的结果并不准确，现在在这幅图片得到的蒙板上面添加标记，用白色（像素值为0）标记前景，黑色（像素值为255）标记背景。再次进行迭代计算，最后得到不错的结果

样例中的图片如下

奈斯，优秀