高斯模型的均值（使用高斯混合模型）

小君 2022-12-09 04:08:11 965

高斯模型的均值（使用高斯混合模型）结果图：这里只是展示代码效果，实际上可以根据需要，将其他颜色参数（如H、S、I、L、a、b等）、颜色参数的组合（NRI、NGI、NBI等）作为分类的数据点传入训练器，这样可能会对复杂的分割有帮助。

使用C 、opencv中的高斯混合模型（GMM）进行图像分割

关于GMM聚类的原理及过程可参考博客：https://blog.csdn.net/lin_limin/article/details/81048411

使用聚类的方法分割图像，即将图像的像素点值（通常用彩色图像，像素点值为一个三元数组（b g r））作为聚类的元素，从而将图像中所有的点分为n类，达到分割的效果。

代码：

#include "stdafx.h" #include<opencv2\opencv.hpp> #include <iostream> using namespace cv; using namespace ml; int main(int arc char** argv) { Mat src = imread("C:/Users/lenovo/Desktop/1.jpg"); namedWINDOW("input" WINDOW_NORMAL); imshow("input" src); int width = src.cols; int height = src.rows; int dims = src.channels(); int pointsCount = width * height; Mat points(pointsCount dims CV_64FC1); Mat labels; //Scalar color[] = { Scalar(0 0 255) Scalar(0 255 0) Scalar(255 0 0) }; //将图像转换为一维数据点传入训练器进行分类 int index = 0; for (int i = 0; i < height; i ) { for (int j = 0; j < width; j ) { index = i * width j; points.at<double>(index 0) = src.at<Vec3b>(i j)[0]; points.at<double>(index 1) = src.at<Vec3b>(i j)[1]; points.at<double>(index 2) = src.at<Vec3b>(i j)[2]; } } //GMM分割（基于高斯混合模型的期望最大值） Ptr<EM> em = EM::create();// 生成 EM 期望最大化，其图像分割的方式是基于机器学习的方式 em->setClustersNumber(2);// 设置分类数 em->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL);// 协方差矩阵类型 // 迭代条件，EM训练比KMeans耗时，可能会不收敛，所以迭代次数设大点 em->setTermCriteria(TermCriteria(TermCriteria::COUNT TermCriteria::EPS 100 0.1)); // 进行EM训练，获得分类结果，参数labels与KMeans的labels参数意思一样，速度比KMeans要慢很多 em->trainEM(points noArray() labels noArray()); //将数据点转换为图像并显示 Mat result1 = Mat::zeros(src.size() CV_8UC3); result1 = Scalar::all(0); Mat result2 = Mat::zeros(src.size() CV_8UC3); result2 = Scalar::all(0); //显示标签为0的部分 for (int i = 0; i < height; i ) { for (int j = 0; j < width; j ) { /*index = i * width j; int label = labels.at<int>(index 0); result.at<Vec3b>(i j)[0] = color[label][0]; result.at<Vec3b>(i j)[1] = color[label][1]; result.at<Vec3b>(i j)[2] = color[label][2];*/ index = i * width j; if (labels.at<int>(index 0) == 0) { result1.at<Vec3b>(i j)[0] = src.at<Vec3b>(i j)[0]; result1.at<Vec3b>(i j)[1] = src.at<Vec3b>(i j)[1]; result1.at<Vec3b>(i j)[2] = src.at<Vec3b>(i j)[2]; } } } //显示标签为1的部分 for (int i = 0; i < height; i ) { for (int j = 0; j < width; j ) { index = i * width j; if (labels.at<int>(index 0) == 1) { result2.at<Vec3b>(i j)[0] = src.at<Vec3b>(i j)[0]; result2.at<Vec3b>(i j)[1] = src.at<Vec3b>(i j)[1]; result2.at<Vec3b>(i j)[2] = src.at<Vec3b>(i j)[2]; } } } //显示 namedWindow("output1" WINDOW_NORMAL); imshow("output1" result1); namedWindow("output2" WINDOW_NORMAL); imshow("output2" result2); waitKey(0); return 0; }

高斯模型的均值（使用高斯混合模型）(1)