8月8號到8月18號，根據Lazysnapping的論文和一些資料，做了算法實現 但是前期處理和LS不同， 其實不算真正實現LS。
有人用通俗易懂的話這樣解釋：
首先，當一張圖被導入到Lazy snapping中時，軟件會自動採用watershed對該圖進行處理。接下來，用戶通過劃線，確定F和B。如果從像素點的角度來看，一旦畫了一條線，則這條線經過的像素點被稱爲“種子點”，這些“種子點”所涉及到的區域被稱爲“種子區域”。藉助這些“種子區域”將圖片分爲F 和B 。利用Graph Cut優化算法，圖片上所有區域會被賦予惟一的屬性，不屬於“前景區域”就一定會屬於“背景區域”。
在經過處理後的圖片中，相鄰的區域連接在一起。而接下來Graph Cut優化算法要做的，就是嘗試將每個非“種子區域”分別與“前景區域”（或“背景區域”）之間的通路“打斷”。如果全部通路都可以被打斷，則軟件猜測該區域不屬於F，則可能屬於B。也就將我們所需要的前景的大致輪廓勾勒了出來。
Graph Cut 優化的準則，考慮了每一個區域的顏色與種子區域之間的顏色相似性，顏色越像“前景區域”就越可能被分在前景。同時它也考慮了相鄰區域的顏色差別，顏色差別越大這兩個區域越可能被分開。這個優化問題可以用圖論中極大流（極小割）的方法很快解決。
實質上就是圖像裏面將問題轉換成最大流最小割問題。 主要是將前景設置爲sink 也就是終點， 背景設置爲source 源。中間點 根據它們離前景和背景的每個像素點的顏色差值 來設置流入和流出權重，離前景越近 流入的權重越多 流出的權重越少。每條邊的值 是與顏色差成反比，兩個點顏色越不相似，值越小，也就是容積越小。 這個是GrabCut的本質 因爲LS的關鍵是將Grabcut和預處理進行了很好的結合，將速度提升了。而這一步，我是沒做的。
傻乎乎的寫完之後 ，才弄清楚。。。。哎 回頭有空用opencv裏的資源再實現一次。
基本框架來自於 http://lzhj.me/archives/93 的源碼，thx
他的和原文的差別主要在 GraphCut的預處理 是通過降低像素來進行，原文用了watershed來初分割。
其次，原文不是用平均距離來計算 該點到F其他點的距離，而是將F中的點進行64的kmeans聚類，然後尋找其中最小的距離點。
再次，E2的計算方法不同。
然後改進根據gimp的開源代碼進行了改進 http://graphics.ethz.ch/teaching/former/imagesynthesis_06/miniprojects/p2/index.html
lzhj的程序 分割 出來會有許多零碎區域，但是如果在計算E1時，加入kmeans聚類，則 這樣的 區域會減少很多。
而對E2的修正 能夠 很好的提升結果。
採用一些小小的技巧，可以使得算法不一定要背景筆 也能得到目標分割
算法前期處理改進可以有兩個方面，meanshift 和watershed。
前期處理測試watershed floodfilled 但不知爲啥 效果不佳，估計哪裏出了點小錯。沒繼續修改了，最後加入Meanshift結合金字塔算法對圖像進行平滑，平滑前用floodfilled算法 很難獲取比較大的區域，平滑後，如果目標不是很複雜，是可以獲取整個目標區域的。
將用gimp測試圖跑的結果放上來：
爲了速度快，我將圖壓縮了，所以會有一點鋸齒。
如果沒有這個需求 可以跑出很精緻的圖的。