自迁移出 MediaWiki 以来，本页内容尚未经过审查。如果您愿意帮忙，请查看帮助指南！
Graph Cut 插件提供了一种获得全局平滑二元分割的方法。作为输入，您必须提供一个灰度图像来表示属于前景的像素亲和力。通过单个参数，您可以调整分割的平滑度。
出版
该插件基于 Kolmogorov 的 maxflow v3.01 库的重新实现，该库是用 C++ 编写的。如果您打算将其用于图书，请引用：
Yuri Boykov 和 Vladimir Kolmogorov，计算机中能量最小化的最小割/最大流算法的实验比较。，IEEE模式分析和机器智能汇刊，2004年9月。
该插件可以在 Plugins › Segmentation › Graph Cut 下找到。
##设置
唯一可用的设置是“平滑度”值。用它来调整分割中标签变化的惩罚。该值增益，标签变化越少，因此分割变得更平滑。零值对应于对输入图像进行阈值处理。
教程
假设我们想要将以下图像分割为前景/背景，使得前景是线粒体，背景是其他一切：
概率图像
首先，我们创建一个概率图像，反映每个像素属于前景的概率。因此，我们可以使用 Trainable Weka Segmentation 插件。我们训练线粒体和其他一切的分类器。但是，我们不是直接使用分类器进行分割，而是创建一个概率图像：
运行图形切割
现在我们在概率图像上启动Graph Cut插件。使用“平滑度”，我们可以调整分割的平滑度，其中一些小的极值破坏我们的分割。在我们的例子中，我们发现大约600的值可以给出合理的结果。该插件的结果是一个二值图像，其中白色是前景分割：
结果
最后，为了说明目的，我们将原始图像和分割图像合并：
