GrabCut

GrabCut 是一個經典的互動方法，能以幾乎不費力的方式把單一前景物體從背景中切出來：你只要在物體周圍鬆鬆地拖一個矩形，演算法就會算出精確的輪廓。它的設計（Rother、Kolmogorov、Blake，2004）旨在讓強大卻繁瑣的圖切（graph-cut）分割變得簡單到連隨意操作的使用者都能用——名稱即由此而來，抓取並切割。

在底層，它交替執行兩個步驟直到收斂，是一個類似期望最大化（EM）的迴圈。首先，它分別以高斯混合模型（Gaussian Mixture Model，一種有彈性的顏色群集混合）為前景與背景的顏色建模：你方框外的一切確定是背景；方框內的一切起初視為可能的前景。其次，它把標記表述成一個待最小化的能量——一個資料項表示每個像素應取顏色模型較吻合它的那個標籤，外加一個平滑項對相鄰相似像素間的標籤變化加以懲罰——並在像素圖上以最小割／最大流（min-cut / max-flow）精確且全域地求解。新的標記精修顏色模型，精修後的模型給出更好的切割，如此往復。

GrabCut 位居以最小割最小化能量的圖切家族核心（Boykov-Jolly 與 Boykov-Kolmogorov）。相較於單次圖切，它多了反覆的顏色重新估計與「僅靠矩形」的互動。使用者可用幾筆前景／背景的筆刷修正錯誤。它至今仍是相片編輯器中快速、可靠的前景萃取工具，也是能量最小化分割的清晰範例；不過對於困難案例，如今的深度互動方法能用更少提示做得更好。