graph op• 데이터 종류: image2d → table
• 호출: import fullseye as fs; fs.ledger.graph_cut_binary(image, *, lam: 'float' = 1.0, mu_bg: 'Optional[float]' = None, mu_fg: 'Optional[float]' = None, contrast_sigma: 'Optional[float]' = None, seeds=None, connectivity: 'int' = 4) -> 'Dict[str, object]'(구현을 직접 호출하려면 import seggraph; seggraph.graph_cut_binary(image, *, lam: 'float' = 1.0, mu_bg: 'Optional[float]' = None, mu_fg: 'Optional[float]' = None, contrast_sigma: 'Optional[float]' = None, seeds=None, connectivity: 'int' = 4) -> 'Dict[str, object]', 원장에서 가져오려면 opssegmentation.get("graph_cut_binary"))
• GPU: 없음(CPU 참조 구현만)
2값 graph cut(Boykov–Jolly 2001): E = Σ_p D_p(x_p) + λ Σ w_pq [x_p ≠ x_q]를 최대 흐름 / 최소 컷으로 정확히 최소화한다(graph_cut_binary).
데이터 항은 D_p(0) = (I_p - μ_bg)², D_p(1) = (I_p - μ_fg)²(μ를 생략하면 isodata의 두 그룹의 평균). 변의 가중치는 w_pq = exp(-(I_p - I_q)²/(2σ²)) / dist(p, q)(contrast_sigma = σ, 생략하면 1/dist = Potts). seeds ''는 labels2d입니다. 1 = 배경 종, 2 = 물체 종. 구속 가중치는 "1 + max_p Σ_q λ w_pq + max_p | D_p (0) - D_p (1) |" 그리고, 자유 화소의 데이터 항차도 넘는다(에너지에는 세지 않는다). 반환 :mask ''(물체 = True), 'energy' = data + smooth, 'cut_value' / / 'flow_value' 상수) 및 "cut_value_int"/ "flow_value_int"(최대 흐름 = 최소 절단 문), "quantization_bound" 최소와의 차이의 상계, 정수의 입력이라면 0).
• graph_hierarchy_and_thresholds — 그래프·계층·임계값 정리로 만드는 분할 — 무엇이 엄밀하고 어디서 분할이 무너지는가
• 샘플 데이터 카탈로그(DL URL / 라이선스) —— 2-D 는 skimage.data(BSD/public)+ 합성, 3-D 는 실데이터 소스(Stanford/PDS 등)의 DL URL.
• 연산자의 내력·참고문헌 —— 이 연산자 족의 바탕이 된 연구/기법의 출처.
• 알고리즘의 정전(저자·연도)과 용도는 위의 패밀리 사용 가이드에 적혀 있습니다.
• poc_graph_hierarchy_segmentation — py -3.11 examples/poc_graph_hierarchy_segmentation.py
table 를 입력으로 받는 것)class_ndim_norm · fisher_lda_score
graph)alpha_expansion · statistical_region_merging · max_tree · area_opening_attr · quasi_flat_zones · alpha_tree · hierarchical_watershed · ultrametric_contour_map
*Provenance: seggraph.py — SEGMENTATION 연산자 레지스트리. 이 op 노트는 tools/opdocs.py md 가 자동 생성합니다(직접 편집하지 마세요).*
© 2026 Kazufumi Furuse — Fullseye operator documentation. Licensed under Apache-2.0.