LazySnapping

    这个算法是交互式图像分割算法的改进，方法原理和上一篇写的很像，也需要用户标记出一些背景和前景的像素点种子，最大的改进之处在于它建图是的顶点不再是基于像素，而是基于一个个小的区域，我们可以采用分水岭算法和k-meas算法等方法先对图像进行预处理，将图像分割成很多的小区域，然后以这些小区域为顶点，相邻区域建立边，构建一个图，再采用s/t算法进行分割。这篇论文提出的方法主要分为两步：1、对象标记；2、边界编辑。

    原理：

    同理，也是要最小化以下的能量函数,为给顶点i分配标签xi的代价，为相邻顶点i,j分配标签xi,xj的代价：

    计算E1

    先用k-meas算法将用户已标记的背景和前景分别聚类成64簇（用和表示），对于一个没有标签的顶点，我们计算它在RGB域的值C(i)到的最小距离，对比其C(i)到的最小距离，选择两者之中最小值所对应的标签作为自己的标签。

    计算E2

    E2 为两个相邻顶点分配不同标签时的代价，两个顶点相似度越大，则E2越大，则其边为目标边界的可能性越小。

            

    

    步骤：

    1、先采用分水岭算法对图像进行预处理，这样处理以后，我们后面进行的步骤就不再是基于像素点，而是基于超像素点来进行了，这也是这篇文章提出的方法一大亮点。

    2、计算E1和E2

    3、采用交互式图像分割中的方法来建图

    4、采用s/t算法分割

    5、边界编辑，优化分割边界

    优点：采用超像素，大大减小了处理的顶点的数目，加快了计算速度

    缺点：采用超像素后，误差会增大，会丢失一些边界的详细信息；需要人工交互，手动初始化对分割的结果影响很大