C++ OpenCV圖像分割之如何實(shí)現(xiàn)高斯混合模型

這篇文章主要介紹了C++ OpenCV圖像分割之如何實(shí)現(xiàn)高斯混合模型，具有一定借鑒價(jià)值，感興趣的朋友可以參考下，希望大家閱讀完這篇文章之后大有收獲，下面讓小編帶著大家一起了解一下。

前言

Gaussian Mixture Model (GMM)。事實(shí)上，GMM 和 k-means 很像，不過 GMM 是學(xué)習(xí)出一些概率密度函數(shù)來（所以 GMM 除了用在 clustering 上之外，還經(jīng)常被用于 density estimation ），簡單地說，k-means 的結(jié)果是每個(gè)數(shù)據(jù)點(diǎn)被 assign 到其中某一個(gè) cluster 了，而 GMM 則給出這些數(shù)據(jù)點(diǎn)被 assign 到每個(gè) cluster 的概率，又稱作 soft assignment 。

　　得出一個(gè)概率有很多好處，因?yàn)樗男畔⒘勘群唵蔚囊粋€(gè)結(jié)果要多，比如，我可以把這個(gè)概率轉(zhuǎn)換為一個(gè) score ，表示算法對自己得出的這個(gè)結(jié)果的把握。也許我可以對同一個(gè)任務(wù)，用多個(gè)方法得到結(jié)果，最后選取“把握”最大的那個(gè)結(jié)果；另一個(gè)很常見的方法是在諸如疾病診斷之類的場所，機(jī)器對于那些很容易分辨的情況（患病或者不患病的概率很高）可以自動(dòng)區(qū)分，而對于那種很難分辨的情況，比如，49% 的概率患病，51% 的概率正常，如果僅僅簡單地使用 50% 的閾值將患者診斷為“正常”的話，風(fēng)險(xiǎn)是非常大的，因此，在機(jī)器對自己的結(jié)果把握很小的情況下，會(huì)“拒絕發(fā)表評(píng)論”，而把這個(gè)任務(wù)留給有經(jīng)驗(yàn)的醫(yī)生去解決。

高斯混合模型--GMM（Gaussian Mixture Model）

統(tǒng)計(jì)學(xué)習(xí)的模型有兩種，一種是概率模型，一種是非概率模型。

所謂概率模型，是指訓(xùn)練模型的形式是P(Y|X)。輸入是X，輸出是Y，訓(xùn)練后模型得到的輸出不是一個(gè)具體的值，而是一系列的概率值（對應(yīng)于分類問題來說，就是輸入X對應(yīng)于各個(gè)不同Y（類）的概率），然后我們選取概率最大的那個(gè)類作為判決對象（軟分類--soft assignment）。所謂非概率模型，是指訓(xùn)練模型是一個(gè)決策函數(shù)Y=f(X)，輸入數(shù)據(jù)X是多少就可以投影得到唯一的Y，即判決結(jié)果（硬分類--hard assignment）。

所謂混合高斯模型（GMM）就是指對樣本的概率密度分布進(jìn)行估計(jì)，而估計(jì)采用的模型（訓(xùn)練模型）是幾個(gè)高斯模型的加權(quán)和（具體是幾個(gè)要在模型訓(xùn)練前建立好）。每個(gè)高斯模型就代表了一個(gè)類（一個(gè)Cluster）。對樣本中的數(shù)據(jù)分別在幾個(gè)高斯模型上投影，就會(huì)分別得到在各個(gè)類上的概率。然后我們可以選取概率最大的類所為判決結(jié)果。

從中心極限定理的角度上看，把混合模型假設(shè)為高斯的是比較合理的，當(dāng)然，也可以根據(jù)實(shí)際數(shù)據(jù)定義成任何分布的Mixture Model,不過定義為高斯的在計(jì)算上有一些方便之處，另外，理論上可以通過增加Model的個(gè)數(shù)，用GMM近似任何概率分布。

代碼演示

我們再新建一個(gè)項(xiàng)目名為opencv--GMM，按照配置屬性(VS2017配置OpenCV通用屬性),然后在源文件寫入#include和main方法.

先初始化數(shù)據(jù)

獲取源圖像的寬，高和圖像的通道數(shù)及總的像素點(diǎn)數(shù)，并定義要用的Mat

將圖像的RGB像素?cái)?shù)轉(zhuǎn)換為樣本數(shù)據(jù)

通過EM方法對像素進(jìn)行訓(xùn)練

對每個(gè)像素標(biāo)記顏色和顯示

打印出用的時(shí)間和顯示最終圖像

我們來看一下運(yùn)行后的結(jié)果

因?yàn)楦咚够旌夏Ｐ褪峭ㄟ^EM進(jìn)行數(shù)據(jù)訓(xùn)練進(jìn)行分析的，所以對數(shù)據(jù)進(jìn)行訓(xùn)練就需要耗時(shí)操作，下面就是我們得到上圖結(jié)果所用到的時(shí)間，花了47秒多，相對來說是比較耗時(shí)的操作了。

感謝你能夠認(rèn)真閱讀完這篇文章，希望小編分享的“C++ OpenCV圖像分割之如何實(shí)現(xiàn)高斯混合模型”這篇文章對大家有幫助，同時(shí)也希望大家多多支持億速云，關(guān)注億速云行業(yè)資訊頻道，更多相關(guān)知識(shí)等著你來學(xué)習(xí)!