今天首次接触了图像编辑中的seam carving知识，感觉挺神奇的。虽然我自己可能理解的不是很深刻，但是记录下来，总是好的。

      seam carving直接翻译过来是“线裁剪”的意思。它的主要用途是对图像进行缩放。不同于传统的按比例缩放图像的方式，seam carving的是内容感知的，它充分考虑了图像中像素的重要性，通过删除或增加seam线来实现图像尺寸的调整。它在缩放不是特别大的情况下，能够很好的保护图像中的显著物体。

      具体来说，seam carving定义了穿过整幅图像的像素线（即seam），它是由图像中最低能量的像素组成的。如左下图中画出了一个横向的seam和一个纵向的seam。

      接下来需要说明的是，seam的形成。seam是有图像中，最不重要的像素组成的。因此，首先要对图像中的像素点的重要性进行定义。给定一幅n x m的图像I，它的能量函数定义为：

       在一幅图像中，某一像素点的能量越大，则它也越重要。换言之，像素的能量越小，它在图像中就越不重要。seam线（或缝合线）就是由图像中那些不重要的像素点组成的。

      对于上述n x m 的图像I， 一个竖直的seam线定义如下：

这个公式乍看起来很复杂，其实际的意义很容易理解。式中i表示第 i 行，即像素的纵坐标， x（i）表示第 i 行中的某个像素的横坐标值。也就是说，一个竖直的seam线包含 n 行（图像是 n 行乘 m 列的），每行中取出一个像素点。而后面的约束表示的意思是相邻两行的像素点之间是相邻的（八连通领域），这样限制的作用是，去掉seam线之后，画面看起来不会出现很跳跃的感觉，直观表示如下图所示，(i，j）的前一点只能来自（i-1，j-1），（i-1，j），（i-1，j+1）中的某一点。

      对于给定的能量函数 e(  I ),可以将缝合线的代价函数定义：

      当前要选择的缝合线即为代价函数值最小的缝合线。设当前状态下最优的缝合线为 S*：

      应当利用动态规划（Dynamic Programming）来求解寻找最低代价的、竖直的、八连通的缝合线上所有像素点的问题。设将当前图像的累积最小能量存储在 M 矩阵里，而将图像的能量函数值存储在 NRG 矩阵里。然后把能量函数 NRG 的首行作为 M 的首行初始值。把当前行的能量函数值加上 M [i  1][ j 1]、M  [i  1][ j]和M [i  1][ j1]中的最小值作为 M 下一行的值。通过存储以前计算的结果，可以对缝合线进行多次计算。下面以计算竖直缝合线为例来说明该算法。可以利用下式来填充 M 来计算最优缝合线：

Seam carving 学习笔记