在一定的图像区域，K-平均比高斯混合模型更精确。
我知道Gaussian mixture model是K-means的一个推广，因此应该更准确。
但我无法从下面的聚类图像中看出，为什么用K-means获得的结果在某些区域更准确(比如斑点噪声以浅蓝色点显示，在Gaussian Mixture Model结果中持续存在，而在K-means结果中不存在)。
下面是这两种方法的matlab代码：
% kmeans
L1 = kmeans(X, 2, 'Replicates', 5);
kmeansClusters = reshape(L1, [numRows numCols]);
figure('name', 'Kmeans clustering')
imshow(label2rgb(kmeansClusters))
% gaussian mixture model
gmm = fitgmdist(X, 2);
L2 = cluster(gmm, X);
gmmClusters = reshape(L2, [numRows numCols]);
figure('name', 'GMM clustering')
imshow(label2rgb(gmmClusters))并在下面显示原始图像以及聚类结果：
原始图像：
K-意思是：
高斯混合模型：
P.S：我仅使用强度信息进行聚类，集群的数量是2 (即水和陆地)。
回答 1
Stack Overflow用户
发布于 2016-03-31 22:10:48
我认为这是一个有趣的问题/问题，所以我花了一些时间在周围玩。
首先，高斯混合模型应该比k均值更精确的假设不一定是正确的。他们有不同的假设，虽然GMM更灵活，但没有任何规则说它应该总是更好，特别是在像图像分类这样主观的东西上。
使用k均值聚类，您将试图将像素分配到两个桶中的一个，完全基于从该桶的平均值或质心的距离。如果我看一下河流中的斑点噪声，值就在两个质心之间。绘制图像的直方图并叠加质心位置和斑点噪声，我得到以下结果：
你可以看到斑点噪声更接近于黑暗物质(水)的质心，所以它被分配到水桶里。这基本上和等方差、等权的高斯混合模型是一样的。
GMM的优点之一是能够考虑这两个类别的差异。GMM发现两个最适合你的数据的高斯人，而不是简单地找到两个质心并在它们之间划一条线来分开你的分类。这是一个很好的例子，因为你可以清楚地看到两个占主导地位的形状:一个高而瘦，另一个又矮又宽。GMM算法将数据看作如下：
在这里，你可以看到，斑点噪声显然属于土地的广泛差异pdf。
K均值和GMM的另一个不同之处在于像素是如何聚类的.在GMM中，这两个分布被用来给每个像素分配一个概率值，所以它是模糊的，它没有说“这个像素绝对是陆地”，它说(例如)“这个像素有30%的机会成为水和70%的机会成为土地”，所以它指定它为土地。在这个特殊的例子中，水直方图非常紧，所以它(在这种情况下是不正确的)决定了这种斑点噪声实际上不可能是水。
https://stackoverflow.com/questions/36331532
复制相似问题
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号