GrabCut算法原理
Grabcut是基于图割(graph cut)实现的图像分割算法，它需要用户输入一个bounding box作为分割目标位置，实现对目标与背景的分离/分割，与KMeans与MeanShift等图像分割方法不同。
Grabcut分割速度快，效果好，支持交互操作，因此在很多APP图像分割/背景虚化的软件中可以看到其身影。主要需要如下知识：k均值聚类、高斯混合模型建模(GMM)、max flow/min cut。
GrabCut算法的主要步骤：
初始化：首先，用户需要手动指定一个包含前景的矩形框，作为算法的初始估计。然后，通过K均值聚类算法将图像中的像素分成前景和背景两类。
建立高斯混合模型：使用高斯混合模型来估计前景和背景的颜色分布。该模型包含若干个高斯成分，每个成分代表一个颜色分布。通过最大似然估计来确定混合模型的参数。
计算像素属于前景或背景的概率：根据高斯混合模型，计算每个像素属于前景或背景的概率。这可以通过贝叶斯定理来计算，其中像素的颜色作为观测值，混合模型的参数作为先验概率。
更新分割结果：根据像素属于前景或背景的概率，更新图像的分割结果。具体来说，根据概率将像素标记为前景或背景，并将不确定的像素标记为可能的前景或背景。
迭代更新：重复执行步骤3和步骤4，直到分割结果收敛或达到最大迭代次数。
GrabCut在图像分割中的应用
源码使用C++实现，其中高斯混合部分使用了OpenCV函数，界面使用QT实现。界面如下图所示：
打开图片文件后，执行点击执行分割或者分割细化按钮即可获取分割结果：
可点击返回回到图片的原始状态。
点击细化可以在处理的的基础上再用一次GrabCut算法。
可以存储处理过的图片。
支持通过选取部分区域后再进行分割：
分割后可使用鼠标进行选择前景区域：
更多的分割结果：
本程序源码下载链接：
GrabCut分割图片源码，opencv+QT实现的
