Grab的python代码复现
import numpy as np
import cv2
import maxflow
一共写了两个版本的迭代
Gbv1是只迭代一轮的代码
Gbv2的迭代是每次都用kmeans重新聚类
Gbv2.5 的迭代是严格按照原论文和opencv源码的迭代，运行速度较慢
Gbv3是打算加快运行速度的，但并没有实现，目前运行速度可提升的方向是constructGCGraph函数
具体而言，构建图速度较慢，可以考虑numpy的向量化或多线程，但多线程效果好像并不理想（一次迭代需要610s，一般情况迭代12次效果就比较理想了）
运行代码首先人为给定框，按下enter或space键确认
运行效果图：
首先是无符号整型数溢出不会报错
calcBeta，在这个函数中遇到了越界的情况，要将uint8转成astype(np.float32)
其次，因为参数gamma 设置地不好，源码中设置为50，我10~50地测试效果都不理想，心态破防，后来设为2，code奇迹般的work了。
换了几个最大流的库，发现pymaxflow最快
聚类直接用opencv的接口最快
能用numpy向量操作的尽量用numpy向量操作，for循环运行速度慢
实现了基于自注意力机制的自动抠图算法
基于自注意力机制的自动抠图可以通过以下四个简单步骤完成：
-
加载预训练的图像分类模型：首先，需要加载一个预训练的图像分类模型，例如使用深度学习模型如ResNet、VGG等。这些模型已经在大规模图像数据上进行了训练，可以用于图像分类任务。
-
进行预测并计算损失：使用加载的图像分类模型对目标图像进行预测。根据预测结果和真实标签，计算损失函数。
-
在图像空间上进行反向传播以生成显著图：通过将损失函数反向传播到输入图像，可以计算每个像素对于预测结果的贡献程度。这样可以生成一个显著图，指示图像中每个像素的重要程度。
-
利用形态学操作，对显著图先膨胀再腐蚀，以在将来获取更为精确的图像方框。
-
执行Grabcut算法进行图像分割：利用生成的显著图，可以将其作为先验知识，结合Grabcut算法来进行图像分割。Grabcut算法通过对图像中的前景和背景进行迭代优化，根据显著性信息进行分割，得到最终的分割结果。
第一次将数学知识运用起来，觉得还是挺神奇的。经典算法。
kmeans+GMM+最小割
概率论+图论
其实也可以不用kmeans，但kmeans算法比em快很多，权衡之下用的kmeans。
以后不用pycharm全面投入vsc了。vsc真的界面很清爽。
从论文理解到复现一共花了三天，本来要用c++的，但配环境花了很久最后虽然配好了，但兴趣索然全失，毕竟opencv就是C++写的，再把code重敲一遍意义不大。
但C++还是挺重要的，它运行速度很快，有空再重拾一下C++，尽管用C++刷力扣，但用C++做项目的经历还是很少，第一次下载Clion这个ide，第一次用msys2配环境，第一次了解Cmake。怀疑以前学了个假C++课。
做这个的时候面临两个期中考试，一次非限课ppt汇报，扁桃体发炎+咳嗽+角膜炎，xs人有时很脆弱有时又很强大。
不管结果如何，就当一次切磋吧，我也是有收获的。人生也只是一场没有终点的修行罢了。
最后感谢chatgpt的帮助！
如果你觉得本仓库帮助到了你，欢迎star！