使用证据理论和GMM模型进行图像分割(其他博客未提到的细节记录)
最近在看使用GMM(高斯混合分布)模型进行图像分割的文献《Interactive color image segmentation via interactive evidential labeling》(绝了,打算基于这篇继续做的可以放弃了,审稿人:你做的东西太过时了)。第一次接触图像的文献,随后代码复现出现困难,现在将遇到的问题记录如下。
1.GMM模型用于生成颜色空间的标签生成模式
该文献使用半监督学习,迭代前由人工标注一些前景和背景像素。我一开始以为是使用GMM模型生成前景和背景在图片的2维空间的抽样分布吗?第二天才明白不是的,是生成前景和背景在颜色空间中的抽样分布(比如RGB,等,文献使用LAB)。生成好以后就可以推广到未标注的像素点上了,这样就实现了“封闭世界”假设下的标签传播。在1次迭代的过程中使用EM算法对参数进行更新。这可以使用sklearn帮我们实现,事实上已经帮我们集成在sklearn的函数中了。
2.基于BIC准则的GMM聚类簇数选择
同样地,sklearn已经帮我们集成好了:Scikit-Learn学习笔记——高斯混合模型(GMM)应用:分类、密度估计、生成模型
3.簇的个数
前景使用若干簇生成,背景使用若干簇生成,至少不是网络上GMM分割一般使用的2个簇,因为这篇文献是给定标签的。那到底是多少簇合适呢?BIC准则,见2。
4.D-S证据理论
这个是我导师的研究方向,中文参考书只有一本,电商随便找找就可以找到,蒋雯主笔的好像是。国内有一位研究证据理论的大佬在上海交大,邓勇老师,他提出了Deng Entropy。
5.一区文献竟然调调库就能复现了,sklearn确实给力啊,然后我发现matlab也可以直接调参,不错啊
使用证据理论和GMM模型进行图像分割(其他博客未提到的细节记录)相关推荐
- 基于GMM模型的图像分割与颜色迁移算法
在之前的博客中,我们已经介绍过高斯混合模型(GMM)的一些基础知识,链接: Gaussian Mixture Model:混合高斯模型介绍_程序猿老甘的博客-CSDN博客 在该博客中,我们提到了贾佳亚 ...
- 一种从Robotstudio环境中导出机器人模型并在MATLAB下使其可视化的研究记录
1.前记:回到学校反而没时间记录了自己瞎折腾的东西了,允我长长的叹一口气 '_' // 先提一下,在这篇MATLAB机器人可视化博客中提到了如何使CAD模型的机器人在MATLAB环境下可视化的问题 ...
- GMM 模型需不需归一化问题
工作中遇到的问题:在GMM模型中添加一维scale比较大的特征,需不需要归一化 答案:不需要,推导如下: 转载于:https://www.cnblogs.com/wuxiangli/p/9686445 ...
- Halcon例程(基于GMM模型的分类)详解 —— classify_citrus_fruits.hdev
一.例程简介 该例程比较有代表性,属于Halcon里的分类方法之一,直接调用Halcon封装好的GMM分类器(高斯混合模型)对橘子和柠檬进行分类.GMM属于概率分类方法,属于P(Y|X),通过对样本的 ...
- 浅显易懂的GMM模型及其训练过程
高斯混合模型GMM是一个非常基础并且应用很广的模型.对于它的透彻理解非常重要.网上的关于GMM的大多资料介绍都是大段公式,而且符号表述不太清楚,或者文笔非常生硬.本文尝试用通俗的语言全面介绍一下GMM ...
- 【机器学习】GMM模型的直观推导(含中间步骤)
概率论和数理统计是一对兄弟:概率论负责在已知分布函数的情况下研究样本:数理统计负责在已知样本的情况下,反推分布函数的特性.假设我们获取了样本数据,同时知道分布函数的大概形式,只是不知道分布函数的参数, ...
- GrabCut算法详解:从GMM模型说起
GrabCut算法详解:从GMM模型说起 最近正在学习CG,争取有时间就看点论文写写代码. GrabCut在OpenCv里面是有内置函数的,不过我还是用C++纯手工实现了一边原汁原味的论文,githu ...
- 如何理解GMM模型及应用
什么是GMM? GMM全称Gaussian Mixture Model,是一种机器学习算法,是一种聚类模型,它是多个高斯分布函数的线性组合. GMM解决什么问题? 通常用来解决同一集合下的数据包含多 ...
- EM 算法与 GMM 模型
EM算法与GMM模型 – 潘登同学的Machine Learning笔记 文章目录 EM算法与GMM模型 -- 潘登同学的Machine Learning笔记 GMM模型 单高斯模型 GM的参数估计( ...
最新文章
- 从游戏脚本语言说起,剖析Mono所搭建的脚本基础
- 分享|智办事助力杭州佰勤医疗器械组织管理数字化过渡
- range() 和 np.arange()区别
- 长此以往的发展,以BCH为代表的数字货币终将会为自己正名
- Linux深入理解Socket异常
- minio分布式集群示例: 4节点,每节点4块盘
- 第十篇:Spring Boot整合mybatis+逆向工程(Mysql+Oracle) 入门试炼01
- python 检测文件更新失败_依赖错误,检测更新失败,提示这个
- 中级前端开发推荐书籍
- 数据结构与算法之双链表的操作
- 无边框对话框拖动改变大小的实现总结
- 第5章 深度学习和卷积神经网络
- java 回调函数实现_Java实现的回调函数
- mysql 字符串有有乱码 转码_mysql字符转化以及乱码原因
- 计算机视觉教程2-2:详解图像滤波算法(附Python实战)
- 航拍深圳湾体育中心全景
- LTE(4G) - NR(5G) EPS承载
- math.h里的数学计算公式介绍
- DELL Inspiron 15 5585 AMD Ryzen™ 5 3500U 解除功耗频率限制 性能起飞(文章失效:最新方案重装系统或者删除dell全套)
- 前端开发之从零开始的uniapp(1):创建uni-app项目
热门文章
- 提高WhatsApp营销效果(1):文案篇
- “东方之星”幸存者张辉说了一句话,残酷现实惊醒了很多人
- Vue Router 路由实现原理
- java rabbitmq vhost_Rabbitmq~对Vhost的配置
- 对比股票趋势图,留下相似度高的,使用python代码,直接写代码
- emqttd 不是内部或外部命令_emqttd随笔
- 开启1521端口监听_解决Oracle服务端1521端口无法telnet,服务名未开启监听问题
- SpringBoot 2.0 中 HikariCP 数据库连接池原理解析
- Trivial solution
- JDK安装与配置详细图文教程