论文学习，暂时只考虑2-D，不考虑3-D
MRF能量函数如下，i表示像素空间index，y表示潜在的变量，V表示nodes，ε表示边。
是一元项，如果i点属于第一个类别而不是第二类别，则
是二元项，是像素对，测量惩罚labels u,v分配给(i，j)。
一元项表示每个点的分类，而像素对（二元项）反映一系列平滑约束
p(……) 表示点i是label u的概率，简写
其中第一项表示global co-occurren between任何label对，例如，如果u和v不共存，则μ(u,v)较大。等式4的第二项计算点距离。
Ii是特征向量
等式4显示如果两个点靠近且look similar，他们被鼓励 to have labels that are compatible（兼容）
然而，等式4有两个缺点，首先，第一项，在训练集中，抓取两个labels的共生频率，当时忽略了物体的空间上下文。例如，人可能出现在桌子的旁边而不是桌子下面。空间上下文是模板的混合，如不同的物体配置会出现在不同的图像中。第二是，它只定义了像素对的关系，没考虑更高阶的交互。
为了解决上述问题，我们定义平滑项between 点通过扩充丰富的信息。公式4改为公式6
等式6第一项学习局部label混合上下文，惩罚label在局部立方体（for3-D），K是混合的成分数量。
μ(i,u,j,v)输出labeling cost between (i,u)和(j,v)，考虑他们的相对位置。例如u,v表示人和桌子，j在i的底部，会有一个大的惩罚。