1

我想使用 GMM（高斯混合模型对二值图像进行聚类，并且还想在二值图像本身上绘制聚类质心。

我以此为参考：http: //in.mathworks.com/help/stats/gaussian-mixture-models.html

这是我的初始代码

 I=im2double(imread('sil10001.pbm'));
  K = I(:);
  mu=mean(K);
  sigma=std(K);
  P=normpdf(K, mu, sigma);
   Z = norminv(P,mu,sigma);
  X = mvnrnd(mu,sigma,1110);
  X=reshape(X,111,10);


 scatter(X(:,1),X(:,2),10,'ko');

options = statset('Display','final');
gm = fitgmdist(X,2,'Options',options);



idx = cluster(gm,X);
cluster1 = (idx == 1);
cluster2 = (idx == 2);


 scatter(X(cluster1,1),X(cluster1,2),10,'r+');
 hold on

  scatter(X(cluster2,1),X(cluster2,2),10,'bo');
  hold off
  legend('Cluster 1','Cluster 2','Location','NW')


  P = posterior(gm,X);

 scatter(X(cluster1,1),X(cluster1,2),10,P(cluster1,1),'+')
 hold on
 scatter(X(cluster2,1),X(cluster2,2),10,P(cluster2,1),'o')
 hold off
 legend('Cluster 1','Cluster 2','Location','NW')
 clrmap = jet(80); colormap(clrmap(9:72,:))
 ylabel(colorbar,'Component 1 Posterior Probability')

但问题是我无法在主二进制图像中绘制从 GMM 接收到的簇质心。我该怎么做？ 在此处输入图像描述

**现在假设我有 10 个这样的图像序列并且我想将它们的平均位置信息存储在两个单元格数组中，那么我该怎么做。这是我的新问题的代码 **

    images=load('gait2go.mat');%load the matrix file
    for i=1:10

   I{i}=images.result{i};
  I{i}=im2double(I{i});

   %determine 'white' pixels, size of image can be [M N], [M N 3] or [M N 4]
  Idims=size(I{i});
  whites=true(Idims(1),Idims(2));

    df=I{i};
      %we add up the various color channels
 for colori=1:size(df,3)
  whites=whites & df(:,:,colori)>0.5;
 end

%choose indices of 'white' pixels as coordinates of data
[datax datay]=find(whites);

%cluster data into 10 clumps
  K = 10;               % number of mixtures/clusters
  cInd = kmeans([datax datay], K, 'EmptyAction','singleton',...
   'maxiter',1000,'start','cluster');

%get clusterwise means
 meanx=zeros(K,1);
 meany=zeros(K,1);  
  for i=1:K
   meanx(i)=mean(datax(cInd==i));
   meany(i)=mean(datay(cInd==i));

 end

 xc{i}=meanx(i);%cell array contaning the position of the mean for the 10    
 images
  xb{i}=meany(i);

figure;
gscatter(datay,-datax,cInd); %funky coordinates for plotting according to      
 image
 axis equal;
  hold on;
  scatter(meany,-meanx,20,'+'); %same funky coordinates


 end

我能够分割 10 个图像，但没有存储在单元格数组 xc 和 xb 中的均值值。它们仅存储 [] 代替均值值

4

3 回答 3

11

我决定发布您的问题的答案（您的问题由最大似然猜测确定：P），但我写了一个广泛的介绍。请仔细阅读，因为我认为你很难理解你想使用的方法，你也很难理解为什么别人不能用你通常的提问方式来帮助你。您的问题有几个问题，包括与代码相关的和概念性的。让我们从后者开始。

问题的问题

你说你想用高斯混合建模对你的图像进行聚类。虽然我通常不熟悉集群，但在查看您的参考资料和您在其他地方引用的精彩 SO 答案（以及来自@rayryeng的快速 101 ）之后，我认为您完全走错了路。

高斯混合建模，顾名思义，使用混合高斯（即正态）分布对您的数据集进行建模。这种方法流行的原因是，当你对各种量进行测量时，很多情况下你会发现你的数据大部分是像正态分布一样分布的（这实际上是它被称为正态分布的原因）。这背后的原因是中心极限定理，这意味着在许多情况下，合理独立的随机变量的总和往往是正态的。

现在，另一方面，聚类只是意味着根据某些标准将您的数据集分成不相交的更小的束。主要标准通常是（某种）距离，因此您希望在较大的数据集中找到“紧密的数据块”。您通常需要在执行 GMM 之前对数据进行聚类，因为在不必猜测聚类的情况下找到数据背后的高斯已经足够困难了。我对所涉及的程序还不够熟悉，无法告诉 GMM 算法在你的原始数据上工作的效果如何（但我希望无论如何，许多实现都是从聚类步骤开始的）。

为了更接近您的问题：我想您想做某种图像识别。查看图片，您想要获得更强烈相关的肿块。这就是聚类。如果你看一张动物园的照片，你会看到，比如说，一头大象和一条蛇。两者都有其独特的形状，并且彼此很好地分开。如果你对你的图像进行聚类（蛇没有骑大象，它也没有吃它），你会发现两个肿块：一个是大象形的，一个是蛇形的。现在，在这些数据集上使用 GMM 是没有意义的：大象，尤其是蛇，不像多元高斯分布。但是，如果您只想知道不同动物在您的照片中的位置，您一开始就不需要这个。

仍然使用示例，您应该确保将数据聚集到适当数量的子集中。如果您尝试将您的动物园图片分成 3 个集群，您可能会得到第二条假蛇：大象的鼻子。随着集群数量的增加，您的分区可能越来越没有意义。

你的方法

你的代码没有给你任何合理的东西，并且有一个很好的理由：它从一开始就没有意义。看开头：

I=im2double(imread('sil10001.pbm'));
K = I(:);
mu=mean(K);
sigma=std(K);
X = mvnrnd(mu,sigma,1110);
X=reshape(X,111,10);

您读取二进制图像，将其转换为双精度图像，然后将其拉伸为向量并计算该向量的均值和偏差。您基本上将您的内部图像涂抹成 2 个值：平均强度和偏差。然后你111*10用这些参数生成标准法线点，并尝试在前两组 111 上做 GMM。它们都是具有相同参数的独立法线。因此，您可能会得到两个重叠的高斯分布，其均值相同且偏差相同。

我认为您在网上找到的示例使您感到困惑。当你做 GMM 时，你已经有了你的数据，所以不应该涉及伪正态数。但是当人们发布示例时，他们也会尝试提供可重复的输入（嗯，他们中的一些人会这样做，nudge nudge wink wink）。一个简单的方法是生成简单高斯的联合，然后可以将其输入 GMM。

所以，我的观点是，您不必生成随机数，而必须使用图像数据本身作为程序的输入。而且您可能只想对您的图像进行聚类，而不是实际使用 GMM 在您的聚类上绘制土豆，因为您希望将身体部位聚类在关于人类的图像中。大多数身体部位的形状不像多元高斯（男性和女性有一些明显的例外）。

我认为你应该做什么

如果你真的想对你的图像进行聚类，就像你添加到问题中的图中那样，那么你应该使用像 k-means 这样的方法。但是话又说回来，你已经有一个程序可以做到这一点，不是吗？所以我真的不认为我可以回答“如何将我的图像与 GMM 聚类？”的问题。相反，这是对“如何对图像进行聚类？”的答案。用k-means，但至少这里会有一段代码。

%set infile to what your image file will be
infile='sil10001.pbm';

%read file
I=im2double(imread(infile));

%determine 'white' pixels, size of image can be [M N], [M N 3] or [M N 4]
Idims=size(I);
whites=true(Idims(1),Idims(2));

%we add up the various color channels
for colori=1:Idims(3)
    whites=whites & I(:,:,colori)>0.5;
end

%choose indices of 'white' pixels as coordinates of data
[datax datay]=find(whites);

%cluster data into 10 clumps
K = 10;               % number of mixtures/clusters
cInd = kmeans([datax datay], K, 'EmptyAction','singleton',...
    'maxiter',1000,'start','cluster');

%get clusterwise means
meanx=zeros(K,1);
meany=zeros(K,1);
for i=1:K
    meanx(i)=mean(datax(cInd==i));
    meany(i)=mean(datay(cInd==i));
end

figure;
gscatter(datay,-datax,cInd); %funky coordinates for plotting according to image
axis equal;
hold on;
scatter(meany,-meanx,20,'ko'); %same funky coordinates

这就是它的作用。它首先像你一样读取你的图像。然后它尝试通过检查每个颜色通道（可以是 1、3 或 4）是否比 0.5 亮来确定“白色”像素。然后，您指向聚类的输入数据将是您的白色像素的x“y坐标”（即索引）。

接下来它通过 进行聚类kmeans。这部分代码大致基于已引用的 Amro 答案。我必须设置一个很大的最大迭代次数，因为从图片中没有 10 个清晰的簇的意义上说，这个问题是不适定的。然后我们计算mean每个集群的 ，并用 绘制集群，用 绘制gscatter均值scatter。请注意，为了使图片在scatter绘图中朝向正确的方向，您必须围绕输入坐标移动。或者，您可以在开始时相应地定义datax和。datay

这是我的输出，使用您在问题中提供的已处理图形运行： 输出

于 2015-08-24T11:26:09.847 回答
0

我确实相信您一定在情节中犯了一个幼稚的错误，这就是为什么您只看到一条直线：您只绘制了x值。

在我看来，scatter 命令中的第二个参数应该是X(cluster1,2)或X(cluster2,2)取决于scatter代码中使用的命令。

于 2015-08-23T21:36:59.457 回答
0

代码可以更简单：

%read file

I=im2double(imread('sil10340.pbm'));
%choose indices of 'white' pixels as coordinates of data
[datax datay]=find(I);
%cluster data into 10 clumps
 K = 10;               % number of mixtures/clusters
[cInd, c] = kmeans([datax datay], K, 'EmptyAction','singleton',...
'maxiter',1000,'start','cluster');
 figure;
gscatter(datay,-datax,cInd); %funky coordinates for plotting according to    
image
axis equal;
hold on;
 scatter(c(:,2),-c(:,1),20,'ko'); %same funky coordinates

我认为不需要循环，因为 c 本身返回一个 10x2 双数组，其中包含方法的位置

在此处输入图像描述

于 2015-09-27T16:26:40.783 回答