转载请说明文章出处：http://blog.sina.com.cn/s/blog_60a0e97e0101bfj9.html

    因为最近在研究图像分割，看到经典方法graph cut涉及的最大流/最小割问题，查了很多资料，基本上很只讲了一些方法实现的思想，没有具体实现能地让我们直观地明白整个理论。后来啃了很多资料，结合自己编代码，终于把最大流/最小割的问题具体实现了（代码见文章最后）。下面开始详细地讲解最大流/最小割的具体实现步骤（理论部分随意在网上都可以找到很多）。

http://s11/mw690/60a0e97e4cc4009fe02da&690

原文出处：http://blog.csdn.net/cay22/article/details/5591737

    不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。需要说明的是：边缘和物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外，成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。

    在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上，可以用更高阶的导数，但是，因为噪声的影响，在纯粹二阶的导数操作中就会出现对噪声的敏感现象，三阶以

PCA原理

（原文出处：http://blog.csdn.net/longxiaoshi/article/details/7404251 ）

    PCA是主成分分析，主要用于数据降维，对于一系列sample的feature组成的多维向量，多维向量里的某些元素本身没有区分性，比如某个元素在所有的sample中都为1，或者与1差距不大，那么这个元素本身就没有区分性，用它做特征来区分，贡献会非常小。所以我们的目的是找那些变化大的元素，即方差大的那些维，而去除掉那些变化不大的维，从而使feature留下的都是“精品”，而且计算量也变小了。

    对于一个k维的feature来说，相当于它的每一维feature与其他维都是正交的（相当于在多维坐标系中，坐标轴都是垂直的），那么我们可以变化这些维的坐标系，从而使这个feature在某些维上方差大，而在某些维上方差很小。例如，一个45