1、Graph-Based 方法简介
基于图的图像分割方法将图像伪造成带权值无向图的形式 :
G = (V, E)
其中，V是顶点集合，把图像中的每个像素或者每个区域看成图的一个顶点；E是边的集合，连接相邻的像素点或者相邻区域两个区域。每条边的权值是表示相连接的两部分的特征信息，如颜色特征等。
Graph-Based 方法中，采用RGB颜色空间，把图像中的每个像素用五个分量来表示，例如一个像素I表示为I(X,Y,R,G,B),在构造带权无向图时，把图像的每个像素看成图的节点，边的权值代表该条边所连接的两个像素的颜色特征差异，其边的权值用R,G,B的欧式距离来计算，如图2所示：
其中，v1,v2表示两个像素，R,G,B分别表示三个颜色分量。在合并时，Graph-Based方法采用按照边的权值递增的顺序进行处理，即按照像素相似度由强至弱进行像素的聚类。
Graph-Based方法的合并准则如下：
假设C1，C2为任意两个区域，若C1，C2满足式（3），且D（C1，C2）返回true,则将C1，C2合并，否则C1,C2作为两个单独的区域。
其中，diff(C1,C2)表示C1，C2的类间差异性，如式4所示：
MInt(C1,C2)表示最小的类内差异性，如式5所示：
其中
Int(C)为类内差异，阈值函数T(C)用于控制类间差异比类内差异大的程度。T(C)函数引入的原因在于，当C中的元素数目较小时，Int(C)并不能很好地反映数据局部特征，在一种极端的情况下，当|C|=1，那么Int(C)=0。因此采用一种基于区域大小的阈值函数，其中，|C|表示联通区域的大小，K为常数。
Graph-Based方法有三个参数sigma,min_size,k。这三个参数：sigma 为高斯滤波参数，min_size为分割后希望得到的最小区域的大小；参数k控制着式（7）中的T(C)的大小，对分割结果有着直观重要的影响，当k值取的过小时，算法易出现过分割（欠合并）现象。