版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/weixin_35732969/article/details/84973510
用图论的知识去理解一副图像。
把一张图像看成是一个无向图，每个像素点看成是图的节点，相邻像素间看成有一条无形的边连接，每条边有自己的权重w。权重描述的是两个像素间的差异程度，权重越大，两像素差异越大。可以有多种方式定义权重，如颜色，灰度，位置等，论文中使用的是灰度差绝对值：
一开始，把每个点作为一个分割块，然后遍历图中的所有条边，按权重从小到大遍历，把权重相对小的边（下面解释）对应的块（差异小）聚成一个新的块，即作为一个分割块，直到遍历完所有的边 。
这里所谓权重小的边是相对块内部的边的权重。具体说来，块内部的边的权重定义为块内部所有边中权重最大值：
两个块之间的差异定义为两个块之间的边的权重最小值：
其中Vi是C1中的节点，Vj是C2中的节点。
两个块是否是独立的，采用如下策略判断：
其中：
先不考虑参数。上面的策略可以描述为，如果两个块之间的最小权重边大于其中某个块内部的最大权重边，就认为这两个块是相互独立的分割块；否则，合并这两个块形成一个新的分割块。
可以发现，当只有一个独立像素点作为块时，Int(C)=0，这对于上面的策略来讲不是一个好的度量，所以就有了参数的出现，论文中定义为如下函数：
|C|是块的大小。对于小的块需要更强的证据证明它是独立的分割块。论文中还提到，对于可以根据实际情况定义，比如你需要某个特定形状的块，可以把满足特定形状的
定义得较大，不满足的定义得较小。
完整算法描述如下：
参考论文： Efficient Graph-Based Image Segmentation