如同在計算機視覺領域的應用，圖切割優化可以被用來有效地解決各種低層次的計算機視覺問題（早期視覺），如圖像平滑、立體對應問題、圖像分割、物體共同分割，以及其他許多可以用能量最小化來表述的計算機視覺問題。許多這樣的能量最小化問題可以通過解決圖中的xxx流問題來近似（因此，根據xxx流最小切割定理，定義圖的最小切割）。在計算機視覺中此類問題的大多數表述中，最小能量的解決方案對應于解決方案的xxx后驗估計。盡管許多計算機視覺算法涉及到圖的切割（例如，歸一化切割），但圖切割這一術語特別適用于那些采用xxx流量/最小切割優化的模型（其他圖切割算法可被視為圖的分割算法）。二元問題（如二元圖像的去噪）可以用這種方法準確解決；像素可以用兩個以上的不同標簽標記的問題（如立體對應，或灰度圖像的去噪）不能準確解決，但產生的解決方案通常接近全局最優。

作為一種優化方法的圖切割理論首次應用于計算機視覺，是由達勒姆大學的Greig、Porteous和Seheult撰寫的開創性論文。AllanSeheult和BrucePorteous是當時達勒姆大學備受贊譽的統計學小組的成員，該小組由JulianBesag和PeterGreen（統計學家）領導，優化專家MargaretGreig是達勒姆大學數學科學系有史以來xxx位女性員工，值得注意。在平滑噪聲（或損壞）圖像的貝葉斯統計背景下，他們展示了如何通過最大化通過相關圖像網絡的流量，準確地獲得二進制圖像的xxx后驗估計，其中涉及引入一個源和匯。因此，該問題被證明是可以有效解決的。在這個結果之前，近似的技術，如模擬退火（由Geman兄弟提出），或迭代條件模式（由JulianBesag提出的一種貪婪算法）被用來解決這種圖像平滑問題。Greig、Porteous和Seheult的方法被證明在一般計算機視覺問題中具有廣泛的適用性。

Greig、Porteous和Seheult的方法通常被反復應用于一連串的二元問題，通常會產生接近最優的解決方案。2011年，C.Couprie等人提出了一個通用的圖像分割框架，稱為PowerWatershed，該框架在一個圖形上最小化一個來自[0,1]的實值指標函數，由用戶種子（或單項）設置為0或1來約束，其中在圖形上指標函數的最小化是針對一個指數而優化的{displaystylep=1}時，PowerWatershed通過圖形切割進行優化。時，PowerWatershed通過圖形切割進行了優化，當{displaystylep=0}，PowerWatershed通過圖形切割進行優化。力量分水嶺是通過最短路徑優化的。{displaystylep=2}時，PowerWatershed由最短路徑優化。是通過隨機步行者算法優化的，而{displaystylep=infty}是通過分水嶺（圖像處理）優化的。是由分水嶺（圖像處理）算法優化的。這樣，PowerWatershed可以被看作是圖形切割的一般化，它提供了與其他能量優化分割/聚類算法的直接聯系。

符號圖像：x∈{R,G,B}能量函數：E(x,S,C,λ){displaystyleE(x,S,C,lambda)}。其中C是顏色參數，λ是相干參數。

標準圖形切割：優化分割的能量函數（未知的S值）。迭代圖形切割：xxx步使用K-means優化顏色參數。第二步執行通常的圖形切割算法。這兩個步驟遞歸重復，直到收斂。動態圖形切割：允許在修改問題后更快地重新運行算法（例如，在用戶添加新種子后）。能量函數Pr(x∣S)=