C++ OpenCV圖像分割之如何實現高斯混合模型

這篇文章主要介紹了C++ OpenCV圖像分割之如何實現高斯混合模型，具有一定借鑒價值，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)。事實上，GMM 和 k-means 很像，不過 GMM 是學習出一些概率密度函數來（所以 GMM 除了用在 clustering 上之外，還經常被用于 density estimation ），簡單地說，k-means 的結果是每個數據點被 assign 到其中某一個 cluster 了，而 GMM 則給出這些數據點被 assign 到每個 cluster 的概率，又稱作 soft assignment 。

　　得出一個概率有很多好處，因為它的信息量比簡單的一個結果要多，比如，我可以把這個概率轉換為一個 score ，表示算法對自己得出的這個結果的把握。也許我可以對同一個任務，用多個方法得到結果，最后選取“把握”最大的那個結果；另一個很常見的方法是在諸如疾病診斷之類的場所，機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）可以自動區分，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，風險是非常大的，因此，在機器對自己的結果把握很小的情況下，會“拒絕發表評論”，而把這個任務留給有經驗的醫生去解決。

高斯混合模型--GMM（Gaussian Mixture Model）

統計學習的模型有兩種，一種是概率模型，一種是非概率模型。

所謂概率模型，是指訓練模型的形式是P(Y|X)。輸入是X，輸出是Y，訓練后模型得到的輸出不是一個具體的值，而是一系列的概率值（對應于分類問題來說，就是輸入X對應于各個不同Y（類）的概率），然后我們選取概率最大的那個類作為判決對象（軟分類--soft assignment）。所謂非概率模型，是指訓練模型是一個決策函數Y=f(X)，輸入數據X是多少就可以投影得到唯一的Y，即判決結果（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行估計，而估計采用的模型（訓練模型）是幾個高斯模型的加權和（具體是幾個要在模型訓練前建立好）。每個高斯模型就代表了一個類（一個Cluster）。對樣本中的數據分別在幾個高斯模型上投影，就會分別得到在各個類上的概率。然后我們可以選取概率最大的類所為判決結果。

從中心極限定理的角度上看，把混合模型假設為高斯的是比較合理的，當然，也可以根據實際數據定義成任何分布的Mixture Model,不過定義為高斯的在計算上有一些方便之處，另外，理論上可以通過增加Model的個數，用GMM近似任何概率分布。

代碼演示

我們再新建一個項目名為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.

先初始化數據

獲取源圖像的寬，高和圖像的通道數及總的像素點數，并定義要用的Mat

將圖像的RGB像素數轉換為樣本數據

通過EM方法對像素進行訓練

對每個像素標記顏色和顯示

打印出用的時間和顯示最終圖像

我們來看一下運行后的結果

因為高斯混合模型是通過EM進行數據訓練進行分析的，所以對數據進行訓練就需要耗時操作，下面就是我們得到上圖結果所用到的時間，花了47秒多，相對來說是比較耗時的操作了。

感謝你能夠認真閱讀完這篇文章，希望小編分享的“C++ OpenCV圖像分割之如何實現高斯混合模型”這篇文章對大家有幫助，同時也希望大家多多支持億速云，關注億速云行業資訊頻道，更多相關知識等著你來學習!