基于高斯混合模型的聚類算法及其在圖像分割中的應(yīng)用.pdf

1、圖像分割是數(shù)字圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，而高斯混合模型是圖像分割的常用模型，在圖像分割中發(fā)揮著重要的作用。聚類在圖像處理等領(lǐng)域中的應(yīng)用也在不斷的推動著聚類分析研究的進(jìn)展，使它成為多學(xué)科研究領(lǐng)域中的一個熱點(diǎn)。
　　本文首先分析了估計(jì)高斯混合模型參數(shù)的EM算法，指出EM算法的一個缺陷：EM算法是一個局部優(yōu)化算法，常常容易陷入局部最優(yōu)解，使得它的初始值對算法的結(jié)果有著極其重要的影響。為了得到更好的聚類效果就要對EM算法進(jìn)行有效的初始化。

2、本文提出通過k均值聚類先給出混合數(shù)據(jù)的一個粗糙分組，然后根據(jù)分組數(shù)據(jù)給出參數(shù)的一個粗劣估計(jì)值，作為EM算法迭代的初始值。模擬數(shù)值實(shí)驗(yàn)表明：經(jīng)過k均值初始化后的EM算法對數(shù)據(jù)集進(jìn)行聚類的效果要優(yōu)于直接用EM算法進(jìn)行聚類的效果。
　　其次，本文研究如何確定高斯混合模型的聚類個數(shù)，即模型選擇問題，分析了貝葉斯陰陽和諧學(xué)習(xí)(BYY)算法。其中具有后向結(jié)構(gòu)的動態(tài)正則化BYY學(xué)習(xí)算法的優(yōu)點(diǎn)在于只要混合模型的分量數(shù)設(shè)計(jì)得比真實(shí)的分量數(shù)多就能在參