该专栏为热销专栏榜 第81名
超级会员免费看
本文提出了一种基于改进EM算法的高斯混合模型图像聚类方法，解决了初始化和局部最优问题。首先使用惯性权重先增后减的粒子群完成参数初始化，然后引入近似骨架理论优化EM算法。实验结果显示，该方法在结构相似度和余弦距离上均优于标准EM算法、RSEM算法和PSOEM算法，提高了图像聚类的边界清晰度和效果。
摘要
针对现有高斯混合模型对初始值敏感并容易陷入局部最优值的情况，提出一种基于改进EM算法的高斯混合模型图像聚类方法。该方法首先使用惯性权重先增后减的粒子群完成高斯混合模型参数初始化；然后引入近似骨架理论对EM算法进行改进优化，求解出高斯混合模型的最终参数；最后在图像聚类应用中进行仿真实验。基于改进EM算法的高斯混合模型图像聚类方法，结构相似度相较于标准EM算法、RSEM算法和PSOEM算法分别提升6.31%、4.20%和1.38%；余弦距离值相较于标准EM算法、RSEM算法和PSOEM算法分别提升4.12%、2.69%和0.94%。实验结果表明，该方法能够有效提升局部像素区域的聚类效果，获得聚类边界更加清晰的输出图像。
0 引言
高斯混合模型（Gaussian Mixture Model，
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
