基于对现有图割算法的研究，本文进一步设计了基于自适应分水岭算法并且使用非参数深度平滑模型来建立图割的能量方程的立体匹配方法。提出了新的自适应局部阈值方法，并将其应用于分水岭结合Prim算法的区域融合中。该方法选取相同亮度的像素当作同一个特征矢量形成像素组层，这样两幅或多幅图像的匹配可以在特征区域像素组层来计算，大大减少了数据量。在最小化能量方程时，基于像素组层优化现有的α-扩展算法，降低运行时间。实验结果表明：通过Middlebury测试平台对算法定量评估得出在所有区域误匹配、非遮挡区域以及深度不连续区域的误匹配率都控制在8.5%以内，在Middlebury测试平台135组数据中排名第19位。

鉴于图割的理论意义和实际应用价值, 系统综述了基于图割的图像分割方法. 首先, 深入分析了基于图割的图像分割方法的基本原理, 主要从定性和定量角度剖析了图割与能量函数最小化之间的关系, 然后, 概括了基于图割的图像分割方法的基本步骤, 包括能量函数的设计、图的构造和最小割/最大流方法, 其次, 系统梳理和评述了基于图割的图像分割方法的国内外研究现状, 最后, 指出了基于图割的图像分割方法的发展方向.

M. B. Salah参数核图割算法的Matlab代码，个人感觉是效果很好的图像分割方法。 参考文献 [1] M. B. Salah, A. Mitiche and I. B. Ayed. Multiregion Image Segmentation by Parametric Kernel Graph Cuts[J]. IEEE Transactions on Image Processing, 2011, 20(2): 545-557.

基于图形状先验的图割，利用凸形状作为正则化约束来进行二值分割。使用matlab编译实现。

为了准确检测视频中的遮挡区域，提出一种融合多特征基于图割的视频遮挡区域检测方法。基于光流和亮度信息提出三种新的遮挡相关特征—亮度块匹配特征、最大光流差特征和光流残差特征，并定义了所提特征的计算方法。以像素点为单位将所提特征组成特征向量输入随机森林分类器，获取像素点及邻接像素点对的遮挡相关信息。综合利用所获取的遮挡相关信息，通过构造遮挡检测能量函数将遮挡检测问题转化为优化问题。根据该能量函数构造无向图，并基于图割理论对能量函数进行求解，从而得到最终的遮挡区域检测结果。实验结果表明，同现有表现较好的遮挡检测方法相比，所提方法具有较高的准确性和较好的实时性。

随着弥散张量成像（Diffusion Tensor Imaging， DTI）设备的临床应用，弥散张量图像分割算法已成为国际上的研究热点之一。提出一种基于图割法的弥散张量图像胼胝体分割算法。本算法采用张量的欧氏距离构造能量函数，实验结果表明算法对DTI数据分割可以得到较好的结果，效率提高为原来的6~7倍。

图割算法的实现代码，里面的内容很详细，也具体，是作者本人提供的

图切RANSAC 论文中提出的图切RANSAC算法：Daniel Barath和Jiri Matas； Graph-Cut RANSAC，计算机视觉和模式识别会议，2018年。可从以下获得： CVPR教程解释了该方法。 有关单应性，基本矩阵，基本矩阵和6D姿态估计的实验，显示在2020年的RANSAC教程的相应中。 安装C ++ 要构建和安装仅C ++的GraphCutRANSAC ，请克隆或下载此存储库，然后通过CMAKE生成项目。 $ git clone https://github.com/danini/graph-cut-ransac $ cd build $ cmake .. $ make 安装Python包并编译C ++ python3 ./setup.py install 或者 pip3 install -e . 示例项目 要构建显示基本矩阵，单应性和基本矩阵

基于图割算法的影像自动分割软件，交互式可视化界面。 完整的软件。

graphcut Matlab代码EE4212-计算机视觉graphcut-mrf Matlab二进制图割去噪和马尔可夫随机场的图像分割实现 NUS EE4212的一部分-计算机视觉分配 二进制GraphCut的代码：多标签GraphCut的代码： 实施K-Means算法 利用以上链接中的参考代码来实现去噪和图像分割功能 降噪示例 图像分割示例