基于高斯函数的算法，通过混合单个或多个高斯函数，计算对应像素中概率，哪个分类的概率最高的，则属于哪个类别
图解：
GMM算法概述
GMM方法跟K - Means相比较，属于软分类
实现方法 - 期望最大化(E - M)
停止条件 - 收敛，或规定的循环次数
代码：
#include<opencv2\core\core.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\imgproc\imgproc.hpp>
#include<opencv2\opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
using namespace cv::ml;
int main()
{
Mat img = Mat::zeros(500, 500, CV_8UC3);
RNG rng;
Scalar colorTab[] = {
Scalar(0, 0, 255), // 红
Scalar(0, 255, 0), // 绿
Scalar(255, 0, 0), // 蓝
Scalar(0, 255, 255), // 黄
Scalar(255, 0, 255) // 品红
};
int numCluster = rng.uniform(2, 5);
int numSample = rng.uniform(5, 1000);
Mat points(numSample, 2, CV_32FC1); //两列，单通道，与KMeans不同
Mat labels;
//生成随机数
for (int k = 0; k < numCluster; k++)
{
Point center;
center.x = rng.uniform(0, img.cols);
center.y = rng.uniform(0, img.rows);
Mat pointChunk = points.rowRange(k*numSample / numCluster,
k != numCluster - 1 ? (k + 1)*numSample / numCluster : numSample);
rng.fill(pointChunk, RNG::NORMAL, Scalar(center.x, center.y), Scalar(img.cols*0.05, img.rows*0.05));
}
randShuffle(points, 1, &rng);
Ptr<cv::ml::EM> em_model = cv::ml::EM::create();// 生成 EM 期望最大化
em_model->setClustersNumber(numCluster); // 设置分类数
em_model->setCovarianceMatrixType(cv::ml::EM::COV_MAT_SPHERICAL); // 协方差矩阵类型
em_model->setTermCriteria(TermCriteria(TermCriteria::EPS +
TermCriteria::COUNT, 100, 0.1)); // 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_model->trainEM(points, noArray(), labels, noArray());
// EM训练，获得分类结果，参数labels与KMeans的labels参数意思一样
/*
bool trainEM(InputArray samples, //输入的样本，一个单通道的矩阵。从这个样本中，进行高斯混和模型估计
OutputArray logLikelihoods=noArray(),//可选项，输出一个矩阵，里面包含每个样本的似然对数值
OutputArray labels=noArray(), // 可选项，输出每个样本对应的标注
OutputArray probs=noArray() //可选项，输出一个矩阵，里面包含每个隐性变量的后验概率
);
*/
Mat sample(1, 2, CV_32FC1);
for (int row = 0; row < img.rows; row++)
{
for (int col = 0; col < img.cols; col++)
{
sample.at<float>(0) = (float)col;
sample.at<float>(1) = (float)row;
Vec2d predict = em_model->predict2(sample, noArray());// 预言
int response = cvRound(predict[1]);// response 就是给出的当前的分类
circle(img, Point(col, row), 1, colorTab[response]*0.75, -1);// 以EM预言的分类结果，将img当前点用不同颜色绘制出来
/*
Vec2d predict2(InputArray sample,//待测样本
OutputArray probs //返回一个Vec2d类型的数，包括两个元素的double向量，
//第一个元素为样本的似然对数值，第二个元素为最大可能混和分量的索引值。
)
*/
}
}
for (int i = 0; i < numSample; i++)//绘制出样本中的数据点属于哪种分类
{
Point p(cvRound(points.at<float>(i, 0)), cvRound(points.at<float>(i, 1)));
circle(img, p, 1, colorTab[labels.at<int>(i)], -1);// 用不同颜色在img上绘制上面随机产生的分类点
}
imshow("GMM-EM", img);
waitKey(0);
return 0;
}
效果图：
代码：图像分割
/*
准备数据，建立一个width*height的样本，将numSample样本在points中填满，
使用一维的存取BGR通道，points是(size(numSample,dims),CV_64FC1);
每一行的points存取img中的一个位置的BGR像素，points填满后。
Ptr<EM> em_model = EM::create();设置分类数目，矩阵类型，迭代算法的终止条件
调用trainEM进行训练，将结果放置在labels中，根据labels给图像进行分类标记
预言：设置一样sample存储每一个像素位置的三个通道的值
将sample放入predict2函数中进行预言，将预言结果在图像上标记出来
*/
#include<opencv2\core\core.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\imgproc\imgproc.hpp>
#include<opencv2\opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
using namespace cv::ml;
int main()
{
Mat srcImg = imread("toux.jpg");
if (!srcImg.data)
{
printf("could not load image...\n");
return -1;
}
imshow("input image", srcImg);
Scalar colors[] = {
Scalar(255, 0, 0),
Scalar(0, 255, 0),
Scalar(0, 0, 255),
Scalar(255, 255, 0)
};
int width = srcImg.cols;
int height = srcImg.rows;
int dims = srcImg.channels();
int numCluster = 3;
int numSample = width*height;
Mat points(numSample, dims, CV_64FC1);
Mat labels;
// 图像RGB像素数据转换为样本数据
int index = 0;
for (int row = 0; row < height; row++) // 这里的步骤与KMeans是一样的
{
for (int col = 0; col < width; col++)
{
index = row*width + col;
Vec3b bgr = srcImg.at<Vec3b>(row, col);
points.at<double>(index, 0) = static_cast<int>(bgr[0]);
points.at<double>(index, 1) = static_cast<int>(bgr[1]);
points.at<double>(index, 2) = static_cast<int>(bgr[2]);
}
}
double time0 = getTickCount();
//EM Cluster Train
Ptr<EM> em_model = 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_model->setClustersNumber(numCluster); // 设置分类数
em_model->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL); // 协方差矩阵类型
em_model->setTermCriteria(TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 100, 0.1)); // 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_model->trainEM(points, noArray(), labels, noArray()); // 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
cout << "train time=" << (getTickCount() - time0) / getTickFrequency() << endl; // train time=10425.8 训练所需的时间很长
// 对每个像素标记颜色与显示
// 对每个像素标记颜色与显示
Mat result_nopredict = Mat::zeros(srcImg.size(), CV_8UC3);
Mat result_predict = Mat::zeros(srcImg.size(), CV_8UC3);
Mat sample(dims, 1, CV_64FC1); // 也只能用 CV_64F
time0 = getTickCount();
int r = 0, g = 0, b = 0;
for (int row = 0; row < height; row++)
{
for (int col = 0; col < width; col++)
{
// 获取训练的分类结果，放到 result_nopredict 中
index = row*width + col;
int label = labels.at<int>(index, 0);
Scalar c = colors[label];
result_nopredict.at<Vec3b>(row, col)[0] = c[0];
result_nopredict.at<Vec3b>(row, col)[1] = c[1];
result_nopredict.at<Vec3b>(row, col)[2] = c[2];
// 通过预言获得分类结果，因为EM训练用的是src的颜色数据，所以用src的颜色数据做预言，得到的结果与 result_nopredict 是一模一样的
b = srcImg.at<Vec3b>(row, col)[0];
g = srcImg.at<Vec3b>(row, col)[1];
r = srcImg.at<Vec3b>(row, col)[2];
sample.at<double>(0) = b;
sample.at<double>(1) = g;
sample.at<double>(2) = r;
Vec2d predict = em_model->predict2(sample, noArray()); // 预言，预言的时间是很短的
int response = cvRound(predict[1]); // response 就是目标颜色数据在EM训练中预言的分类
c = colors[response];
result_predict.at<Vec3b>(row, col)[0] = c[0];
result_predict.at<Vec3b>(row, col)[1] = c[1];
result_predict.at<Vec3b>(row, col)[2] = c[2];
}
}
printf("execution time(ms) : %.2f\n", (getTickCount() - time0) / getTickFrequency()); // execution time(ms) : 1600.31
imshow("EM-Segmentation nopredict", result_nopredict); // 从效果看，KMeans更好些
imshow("EM-Segmentation predict", result_predict);
waitKey(0);
return 0;
}效果图：
参考：https://blog.csdn.net/huanghuangjin/article/details/81452229