Gaussian Mixture Model:混合高斯模型介绍
最近看一些计算机视觉和图形学类的文章,经常发现一个被称为Gaussian mixture model(GMM)的技术,应用在图像图形处理的算法中。出于好奇,我最近阅读了GMM的文献[1]。基于该文献,我将在这篇博客介绍一下GMM的一些核心思想以及比较成功的应用。
1. 简介
GMM是一个参数概率密度函数,由加权的分块高斯密度累加和表示。GMM通常被用来表示一个概率密度分布的参数模型,以提供建立特征度量。GMM的参数由训练数据获得,通过迭代计算Expectation-Maximization(EM,最大期望)算法或Maximum A Posteriori estimation(MAP,最大后验估计)算法来实现训练。
这里我们给出GMM的数学模型:
x是一个D维的连续向量,在应用中可以被看做度量或者特征;M表示分块的数量,wi表示对应M的权重; 表示分块高斯密度。每一个分块的密度是一个D个变量的高斯函数:
为平均向量,
为协方差矩阵, 混合权重满足:
。这里给出参数形式, 对应不同的分块M:
这里的协方差矩阵可以是满秩的,或者限制在主对角线上。另外,参数能够被共享或者绑定在不同的分块,取决于不同的应用需求。这里以语音识别为例,来说明GMM的拟合能力:
如上图所示,第一行为一段自然的语音输入。这段语音不可避免的会受到一些噪声的影响,但是整体分布是平滑的。使用单峰值峰Gaussian模型,显然,会造成严重的信息损失。vector quantize (VQ) 提供的是离散拟合。GMM相对来说更像是二者结合,结果会更加准确。
2. 实例
这里使用一个比较容易理解的实例来理解GMM的使用场景,即图像分割。我们以文献[2]为例,来说明GMM在图像中是如何实现像素级的聚类以及分割的。
这里用一个模型来说明:
I(x,y)表示一个图像中在像素(x,y)的颜色, P表示为基于像素颜色的概率判定,对于不同的分块,或者不同的,都会对应一个概率结果。相关参数还会根据区域进行重新估计:
这两步就共同组成了EM方法解GMM的E-step和M-step。感觉上就是根据该模型进行迭代计算,就能得到最终面向所有像素的概率分布。那么根据这个概率分布,对应的图像分割结果就能够被同时获得。在文献[2]中为了做后续的应用,做了一些调整,但是整体上还是按照上述思路来做。下图展示一个分割的结果。
可以看到,图像中相对应的元素被聚类,实现比较清晰的分割结果。
3. 总结
GMM是一个拟合能力不错的概率预测工具,能够对数据集的分布进行基于度量的统计分析,并得到一个基于概率的计算结果。该工具可以用于识别,分割,聚类等工作,具有很好的扩展性。
Reference
[1] Reynolds D A. Gaussian mixture models[J]. Encyclopedia of biometrics, 2009, 741(659-663).
[2] Tai Y W, Jia J, Tang C K. Local color transfer via probabilistic segmentation by expectation-maximization[C] CVPR, 2005, 1: 747-754.
Gaussian Mixture Model:混合高斯模型介绍相关推荐
- 混合高斯模型介绍以及应用
混合高斯模型 1. 单一的高斯模型(Gaussian single model, GSM) 2. 混合高斯模型(GMM模型) 2.1 混合高斯模型直观上的理解和描述 2.2 极大似然估计(Maximu ...
- 语音识别学习日志 2019-7-14 语音识别基础知识准备2 {EM算法与混合高斯模型(Gaussian mixture model, GMM)}
https://blog.csdn.net/lin_limin/article/details/81048411会对GMM和EM做详细介绍 本文参考: http://www.ituring.com.c ...
- 聚类(1)——混合高斯模型 Gaussian Mixture Model
聚类系列: 聚类(序)----监督学习与无监督学习 聚类(1)----混合高斯模型 Gaussian Mixture Model 聚类(2)----层次聚类 Hierarchical Clusteri ...
- 混合高斯模型(Gaussian Mixture Model,GMM)
高斯混合聚类和k 均值算法(k-means)都属于原型聚类,但与k均值用原型向量来刻画聚类结构不同,高斯混合聚类采用概率模型来表达聚类原型. 一.混合模型(Mixture Model) 混合模型是一个 ...
- 详解EM算法与混合高斯模型(Gaussian mixture model, GMM)
最近在看晓川老(shi)师(shu)的博士论文,接触了混合高斯模型(Gaussian mixture model, GMM)和EM(Expectation Maximization)算法,不禁被论文中 ...
- 一维(多维)高斯模型(One(Multi)-dimensional Gaussian Model) 高斯混合模型GMM(Gaussian Mixture Model)
一维高斯模型(One-dimensional Gaussian Model) 若随机变量X服从一个数学期望为,标准方差为的高斯分布,记为: x~N(,). 则概率密度函数为: 高斯分布的期望值决定了其 ...
- 高斯混合模型Gaussian Mixture Model (GMM)——通过增加 Model 的个数,我们可以任意地逼近任何连续的概率密分布...
从几何上讲,单高斯分布模型在二维空间应该近似于椭圆,在三维空间上近似于椭球.遗憾的是在很多分类问题中,属于同一类别的样本点并不满足"椭圆"分布的特性.这就引入了高斯混合模型.--可 ...
- 高斯-赛得尔迭代式 c++_高斯混合模型(Gaussian Mixture Model)与EM算法原理(一)
高斯混合模型(Gaussian Mixture Model)是机器学习中一种常用的聚类算法,本文介绍了其原理,并推导了其参数估计的过程.主要参考Christopher M. Bishop的<Pa ...
- 高斯混合模型--GMM(Gaussian Mixture Model)
参考:http://blog.sina.com.cn/s/blog_54d460e40101ec00.html 概率指事件随机发生的机率,对于均匀分布函数,概率密度等于一段区间(事件的取值范围)的概率 ...
最新文章
- 分布式TCP压力测试工具 tcpcopy
- Service 之间如何通信?- 每天5分钟玩转 Docker 容器技术(101)
- 安师大计算机与信息学院导师,安徽师范大学数学计算机科学学院导师介绍:罗永龙...
- python实验二序列_python 学习笔记 二 序列, 列表, 元组, 字符串
- html 显示代码块,使用Pre在文章中显示代码块 - 文章教程
- java猜拳游戏代码_Java实现简单猜拳游戏
- UFLDL教程: Exercise: Implement deep networks for digit classification
- HTML页面之间跳转与传值(JS代码)
- 为CIO而准备的技术
- 用.net改写的uploadify多文件上传控件
- 学校图书馆管理系统/图书管理系统的设计与实现
- ArduinoUNO实战-第十三章-步进电机驱动实验
- 附件上传后台报The field uploadFile exceeds its maximum permitted size of 1048576 bytes.
- debian6安装nvidia GT620显卡 驱动
- 灰色线性回归组合预测模型及R语言实现
- 通过jad/mc/redefine命令,在docker容器中实现动态更新代码的功能:
- HTML修改CSS样式或更新内容,网页自动刷新
- linux aria进程,Linux安装 Aria2
- RHCSA-A2.配置默认软件仓库
- CISP笔记 Cyrus
热门文章
- 图划分(Graph PartitionRe-ordering): METIS(5.x)ParMETIS(4.x)使用实践
- 2022/1/23(每周总结)
- linux 打包压缩文件夹命令/压缩文件
- Gartner首次发布中国超融合市场竞争格局报告,ZETTAKIT泽塔云的差异化优势成重点关注对象
- Nmap常用命令总结
- 渗透测试之AppScan篇
- 企业服务总线Enterprise service bus介绍
- JavaScript数字运算必备库——big.js源码解析
- 每日一书丨手把手教你构建一个通用的智能风控平台
- STM32学习(二)