一文详解高斯混合模型（GMM）在图像处理中的应用（附代码）

  一. 概述

高斯混合模型(GMM)在图像分割、对象识别、视频分析等方面均有应用，对于任意给定的数据样本集合，根据其分布概率， 可以计算每个样本数据向量的概率分布，从而根据概率分布对其进行分类，但是这些概率分布是混合在一起的，要从中分离出单个样本的概率分布就实现了样本数据聚类，而概率分布描述我们可以使用高斯函数实现，这个就是高斯混合模型-GMM。

这种方法也称为D-EM即基于距离的期望最大化。

  二. 算法步骤

    1. 初始化变量定义-指定的聚类数目K与数据维度D

    2. 初始化均值、协方差、先验概率分布

    3. 迭代E-M步骤

         - E步计算期望

         - M步更新均值、协方差、先验概率分布

         -检测是否达到停止条件（最大迭代次数与最小误差满足），达到则退出迭代，否则继续E-M步骤

    4. 打印最终分类结果

  三. 代码实现

package com.gloomyfish.image.gmm;  
  
import java.util.ArrayList;  
import java.util.Arrays;  
import java.util.List;  
  
/** 
 *  
 * @author gloomy fish 
 * 
 */  
public class GMMProcessor {  
    public final static double MIN_VAR = 1E-10;  
    public static double[] samples = new double[]{10, 9, 4, 23, 13, 16, 5, 90, 100, 80, 55, 67, 8, 93, 47, 86, 3};  
    private int dimNum;  
    private int mixNum;  
    private double[] weights;  
    private double[][] m_means;  
    private double[][] m_vars;  
    private double[] m_minVars;  
  
    /*** 
     *  
     * @param m_dimNum - 每个样本数据的维度， 对于图像每个像素点来说是RGB三个向量 
     * @param m_mixNum - 需要分割为几个部分，即高斯混合模型中高斯模型的个数 
     */  
    public GMMProcessor(int m_dimNum, int m_mixNum) {  
        dimNum = m_dimNum;  
        mixNum = m_mixNum;  
        weights = new double[mixNum];  
        m_means = new double[mixNum][dimNum];  
        m_vars = new double[mixNum][dimNum];  
        m_minVars = new double[dimNum];  
    }  
      
    /*** 
     * data - 需要处理的数据 
     * @param data 
     */  
    public void process(double[] data) {  
        int m_maxIterNum = 100;  
        double err = 0.001;  
          
        boolean loop = true;  
        double iterNum = 0;  
        double lastL = 0;  
        double currL = 0;  
        int unchanged = 0;  
          
        initParameters(data);  
          
        int size = data.length;  
        double[] x = new double[dimNum];  
        double[][] next_means = new double[mixNum][dimNum];  
        double[] next_weights = new double[mixNum];  
        double[][] next_vars = new double[mixNum][dimNum];  
        List cList = new ArrayList();  
  
        while(loop) {  
            Arrays.fill(next_weights, 0);  
            cList.clear();  
            for(int i=0; i 1E-20) ? Math.log10(p) : -20;  
            }  
            currL /= size;  
              
            // Re-estimation: generate new weight, means and variances.  
            for (int j = 0; j < mixNum; j++)  
            {  
                weights[j] = next_weights[j] / size;  
      
                if (weights[j] > 0)  
                {  
                    for (int d = 0; d < dimNum; d++)  
                    {  
                        m_means[j][d] = next_means[j][d] / next_weights[j];  
                        m_vars[j][d] = next_vars[j][d] / next_weights[j] - m_means[j][d] * m_means[j][d];  
                        if (m_vars[j][d] < m_minVars[d])  
                        {  
                            m_vars[j][d] = m_minVars[d];  
                        }  
                    }  
                }  
            }  
              
            // Terminal conditions  
            iterNum++;  
            if (Math.abs(currL - lastL) < err * Math.abs(lastL))  
            {  
                unchanged++;  
            }  
            if (iterNum >= m_maxIterNum || unchanged >= 3)  
            {  
                loop = false;  
            }  
        }  
          
        // print result  
        System.out.println("=================最终结果=================");  
        for(int i=0; i max) {  
                    max = v;  
                    types[k] = i;  
                }  
            }  
        }  
        double[] counts = new double[mixNum];  
        for(int i=0; i 0)  
            {  
                for (int d = 0; d < dimNum; d++)  
                {  
                    m_vars[i][d] = m_vars[i][d] / counts[i];  
  
                    // A minimum variance for each dimension is required.  
                    if (m_vars[i][d] < m_minVars[d])  
                    {  
                        m_vars[i][d] = m_minVars[d];  
                    }  
                }  
            }  
        }  
          
        System.out.println("=================初始化=================");  
        for(int i=0; i PDF 
     * @param x - 表示采样数据点向量 
     * @param j - 表示对对应的第J个分类的概率密度分布 
     * @return - 返回概率密度分布可能性值 
     */  
    public double getProbability(double[] x, int j)  
    {  
        double p = 1;  
        for (int d = 0; d < dimNum; d++)  
        {  
            p *= 1 / Math.sqrt(2 * 3.14159 * m_vars[j][d]);  
            p *= Math.exp(-0.5 * (x[d] - m_means[j][d]) * (x[d] - m_means[j][d]) / m_vars[j][d]);  
        }  
        return p;  
    }  
      
    public static void main(String[] args) {  
        GMMProcessor filter = new GMMProcessor(1, 2);  
        filter.process(samples);  
          
    }  
}  

结构类DataNode

package com.gloomyfish.image.gmm;  
  
public class DataNode {  
    public int cindex; // cluster  
    public int index;  
    public double[] value;  
      
    public DataNode(double[] v) {  
        this.value = v;  
        cindex = -1;  
        index = -1;  
    }  
}  

  四. 结果

这里初始中心均值的方法我是通过随机数来实现，GMM算法运行结果跟初始化有很大关系，常见初始化中心点的方法是通过K-Means来计算出中心点。大家可以尝试修改代码基于K-Means初始化参数，我之所以选择随机参数初始，主要是为了省事！

====================================分割线================================

本文作者：AI研习社

本文转自雷锋网禁止二次转载， 原文链接