什么叫“抠图”？顾名思义，所谓抠图就是从一幅图片中将某一部分截取出来，和另外的背景进行合成。不要小看这一工作，我们生活中的很多图像制品都曾经经过这种加工，例如广告等，需要设计人员将模特照片中的人像部分抠取出来，然后再和背景进行合成。事实上，抠图在您的生活中也大有用武之地，尤其是随着数码相机、扫描仪等设备的普及，越来越多的人开始乐于对自己手中的照片进行各种各样的“特别处理”，譬如把自己的全身像抠取出来放到别的背景中，把恋人的单人照片进行抠图后与自己的照片合成双人照等等，都需要用到抠图。　　

　　在过去，人们往往使用套索工具进行抠图操作。作为Adobe公司的知名图形处理软件，PhotoShop可以对图形进行异常精确的处理，无论要抠取的图形有多复杂，也可以分毫不差地全部截取出来。但是，对于新手来说，PhotoShop的使用略嫌复杂，假如不经过一段时间的培训和训练，用户很难把握操作的要领。为了将图片中的某一部分取出来，用户必须沿着对象的边缘“剪”一圈，假如图片本身有较多的棱角或者突起，工作的难度就会成倍增加。　　

　　与PhotoShop相比，Lazy Snapping的使用就要简朴多了，对于绝大多数图形来说，只需要三步，就可以将我们需要的内容截取出来。　

　
　　抠图三部曲

　　 让我们以一幅猫的照片为例来看看这款软件是如何简朴易用的。首先，我们按住鼠标左键，在需要截取的目标――猫的身上，随意划条线，这条线既不必正确地沿着猫的身体边沿部分，也不必要求什么“横平竖直”，只要是画在猫身上即可。然后，在猫的身边，也就是我们不需要的背景上，点住鼠标右键划一道。几乎在我们划完这条线的同时，图片中猫的部分就被套在一个取景框中了。怎么，还有一部分没有被选中？没关系，您只要在需要选中的位置再按住鼠标左键划几下，该部分就可以被选中了。

　　假如图形异常简朴的话，那么只需要做到这一步就可以“大功告成”了。但是现在我们的目标是一只猫，其身体的边沿存在少数不规则或者低对比度的边缘，我们还需要进行第二步：微调。听到“微调”这个词，有的朋友可能认为会异常复杂。但事实上，这一步的操作依然异常简朴。您可以通过调节套住猫身体的取景框来更正确地选取要截取的图片。假如您想更简朴，也可以选择软件的“brush”功能，在不够正确的地方随着边界刷两下，软件就会自动将需要截取的目标图形的边界正确地勾画出来。

　　完成第二步操作后，图片中猫的部分已经基本上都被取景框选中了。但假如我们仔细观察就会发现，在前景和背景颜色不同的时候，背景的颜色往往会渗透到前景上来。在使用PhotoShop抠图的时候，这就需要做“羽化”操作，以尽量弱化这种情况，但在大多数情况下，羽化并不能完美地解决这一问题，往往需要将前景的边界收缩，“割”掉那些被背景颜色渗透的部分，也就是说要损失一定的前景。而在Lazy Snapping中，这一操作步骤被极大地增强并简化了，不论前景和背景的颜色对比度是高还是低，Lazy Snapping都可以异常正确地将前景的颜色清晰地分离出来，既不会缺少一部分，也不会让背景的颜色渗透到前景中去。　　

　　不过，假如您细心观察的话，就会发现，猫的胡须并没有被选中。这是因为猫的胡须为半透明，而且又长又细，相互之间又比较分散，因此软件难以自动将其选中。这时就需要用到第三步操作。这一步的操作更加简朴，我们只要用鼠标在猫胡须部位随意涂抹两下，将胡须部位覆盖住，这些胡须就会被选中了。当然，严格地说，这并不是第三步操作的主要功能，软件设计者之所以为软件添加这一功能，其实更主要地是为了更好地完成前景和背景颜色的分离(Coherent Matting)。

　　Lazy Snapping的基础：Graph Cut

　　Graph Cut技术是图论中的一个概念，也是Lazy snapping这款软件的核心技术。在软件的第一步和第二步操作中，对前景的轮廓计算和对细节部分进行修补的操作，都是基于该技术进行的。

　　首先，当一张图被导入到Lazy snapping中时，软件会自动采用一种被称为“水线（watershed）”的算法对该图进行处理。
　　所谓水线，通俗地说，就是把一张图像的梯度图想像成为一片凹凸不平的山地，其中，颜色变化小的区域就是山脊，而颜色变化剧烈的区域就是山洼。我们知道，每一个山洼四周必然都是一圈山脊，假如在每一个山洼的最低点打一个洞，然后通过这个洞向山洼里注水，则经过一段时间之后，相邻山洼里的水必然会越过山脊连接到一起。两个山洼之间的水连接在一起的这条线，就是水线。通过这些水线，软件就可以把图片分为大小不等的若干“碎片”。我们可以注重到，每一个区域中的颜色基本上都是一样的。

　　为什么要先对图片进行“水线”处理呢？因为我们知道，在计算机中，每一幅图都是由无数个像素点构成的，当软件需要分辨出图像的前景和背景时，就需要对图像中的所有像素点进行分析，这样一来工作量会成立方级数增加，大大减缓处理的速度。而采用了“水线”处理之后，图像中需要分析的就是那些被分割出的区域了，其数量比像素点要少数十倍，从而大大加快了软件的处理速度。

　　接下来，就该是用户需要做的工作了――通过划线，告诉计算机哪些是我们想要的前景，而哪些是我们不想要的背景。假如从像素点的角度来看，一旦我们在图像上画了一条线，则这条线经过的像素点被我们称为“种子点”，这些“种子点”所涉及到的区域，则被称为“种子区域”。接下来，我们就需要借助这些“种子区域”将图片分为“前景区域”和“背景区域”两大块。利用Graph Cut优化算法，图片上所有区域会被赋予惟一的属性，不属于“前景区域”就一定会属于“背景区域”。

　　在经过“水线”处理后的图片中，我们把相邻的区域连接在一起。而接下来Graph Cut优化算法要做的，就是尝试将每个非“种子区域”分别与“前景区域”（或“背景区域”）之间的通路“打断”。假如全部通路都可以被打断，则软件预测该区域不属于“前景区域”，反之则可能属于。这样，经过一番运算后，软件就可以将图形分为“前景区域”和“背景区域”两大部分了，也就将我们所需要的前景的大致轮廓勾勒了出来。

　　Graph Cut 优化的准则，考虑了每一个区域的颜色与种子区域之间的颜色相似性，颜色越像“前景区域”就越可能被分在前景。同时它也考虑了相邻区域的颜色差别，颜色差别越大这两个区域越可能被分开。这个优化问题可以用图论中极大流（极小割）的方式很快解决。

　　对于一张结构较为简朴的图形来说，假如其前景和背景的对比异常明显，且前景的外形较为简朴，则经过前面的处理后，前景图形就已经被“抠”出来了。不过，假如图片的内容较为复杂，且前景和背景之间的对比度不是很明显的话，则需要对图片进行进一步的微调。

　　所谓进一步处理，其实就是将前景与背景之间的“边界”清楚地确定下来。由于在此之前我们已经确定了前景的大致轮廓，因此在这里我们只对前景和背景相交处的边界四周进行处理，也就是已经确定好的“前景区域”和“背景区域”之间的那一块地带。

　　要说明的是，在前一步操作中，软件通过“水线”算法将图像分为一块块区域以加快处理的速度。而现在，由于要对图像的边缘部分进行调整，软件处理的对象又变成了像素而不再是区域，以满意处理精度方面的要求。