基于高斯混合密度模型的医学图像聚类方法

研究了医学图像的聚类问题,提出一种基于高斯混合密度模型的K-EM聚类算法,并将此算法用于人体腹部图像数据,实现肝、肾、脾等主要器官的分类.在算法中,随机选取腹部图像像素数据,用QAIC信息准则确定训练样本的最佳类别数;用K均值聚类算法得到混合模型的初始参数;用期望最大(EM)算法多次迭代建立腹部图像数据的混合密度模型;运用贝叶斯准则,将腹部图像所有像素值划分到混合模型中相应的模型分支,得到每个器官像素值划分的正确率与误判率.试验结果表明,新算法分类的平均正确率高于85%、误判率低于10%,优于K均值算法.     

结合互信息熵差测度的高斯混合模型图像分割

从分割图像与原图像的内在联系出发,提出了一种基于高斯混合模型与互信息熵差结合的分割算法--GMM-DMI算法.利用期望极值化方法确定高斯混合模型的各分量参数,以互信息熵差为模型选择准则,计算前分割图像与当前分割图像的互信息熵差,互信息熵差达到最小时即为最优解.实验结果表明,本算法所得到的目标图像的区域保持形状且定位性能好.     

基于多分辨率小波和高斯混合模型的纹理图像分割

提出了一个基于多分辨率小波采样和高斯混合模型的纹理图像分割方法。该方法首先对图像进行必要的预处理,然后对图像进行小波“金字塔”分解。分解后的小波系数和图像共同组成了相应像素的特征向量,然后利用高斯混合模型进行分割。分割的实验结果表明,该算法具有较强的分割能力。     

基于改进CV模型的目标多色彩图像分割

针对Chan-Vese(CV)模型无法完整分割目标包含多色彩及色彩具有突变性图像的问题,通过K-means聚类对图像演化曲线内部像素进行处理,得出聚类中心点,用聚类中心点值与均值滤波后图像的灰度信息构造CV模型内部拟合值,从而提高模型对复杂目标图像分割的适应性.此外,用矩形脉冲函数代替CV模型能量泛函中的正则化脉冲函数,可将水平集演化方程的计算限定在零水平集附近,从而避免图像背景干扰物对分割结果的影响.实验结果表明:改进模型可准确、快速地分割目标包含多色彩及色彩具有突变性的图像.     

基于高斯混合模型的Kinect深度图像增强算法

深度图像获取是当前三维视频领域重要的研究课题.微软Kinect传感器可以获取到实时的稠密深度图,但往往在深度图中存在大量的空洞并且获取的深度图不稳定.针对这些问题,提出一种应用高斯混合模型实时修复的算法,首先要把彩色图像和深度图像对齐裁剪,然后通过高斯混合模型(GMM)把深度图像的前景和背景分离,针对不同的区域做不同的处理,对背景空洞做基于背景的填充,前景空洞采用颜色匹配算法进行处理,最后对处理后的深度图像做中值滤波处理去除噪声.实验证明,该算法在复杂前景物体和大面积深度缺失的情况下都可以有效填充深度图像中的大、小空洞,保留了物体边缘,尤其在遮挡物体的深度重建上,可以取得较好的重建效果.     

基于高斯混合模型的腹主动脉图像分割

为了有效地分割腹主动脉图像,提出了基于适度空间约束的高斯混合模型分割算法.该算法将三维空间邻域信息融入高斯混合模型中,利用最大期望算法(EM)获取腹部血管灰度图像的估计参数,从而分割出血管图像.实验结果表明:所提出的方法不仅能准确地分割腹主动脉的血管分支图像,而且对于图像噪声的抑制有较好的效果.     

改进的基于模糊C-均值聚类的图像分割算法

目前的FCM类型的算法聚类数目的确定需要聚类原形参数的先验知识,否则算法就会产生误导.为了提高图像分割算法的抗噪性能,用K均值聚类算法简单、快速的优点对模糊C均值聚类算法进行改进.结合图像的邻域信息,对图像的直方图作均衡化处理,改善图像质量,通过自适应滤波,降低噪声对分割效果的影响.先用K均值聚类算法对图像进行分割,快速的获得较为准确的聚类中心和初次分割图像,避免了FCM算法中初始聚类中心选择不当造成的死点问题.用邻域灰度均值信息代替传统模糊C均值聚类算法中的灰度信息,对K均值聚类得到的图像作二次分割.该方法能更好的抑制噪声的干扰,提高了聚类算法的分割精确度.     

基于自适应高斯混合模型的图像稳定方法

提出了一种基于自适应高斯混合模型(Gaussian mixture model)的运动滤波器的图像稳定方法.首先采用多分辨力金字塔技术,通过特征跟踪进行运动估计;然后分析前n帧图像的统计特征,求取GMM参数;最后利用GMM运动滤波器对运动参数进行滤波,输出稳定的图像序列.实验结果表明,该方法对于图像的不规则运动的参数补偿是有效的,并且可以实现实时处理.     

基于聚类分析的网络流量高斯混合模型

基于聚类算法对数据对象多个属性综合聚类的特点,研究网络流量的GMM模型及其在数据流尺度上的Log-normal分布。用EM算法研究了具有交互特征的网络流量的分类;通过与K-means算法比较,讨论了EM算法在流量聚类中的适用性;通过平衡和不平衡流量的聚类分析,研究了不同类型流量GMM建模的有效性。研究流量的幂律关系及其在不同尺度间的传递性,用户行为和应用程序特征通过传输层控制协议分解传递到IP层后,在数据包尺度上表现出分形和自相似性,在数据流尺度上表现出Log-normal分布。     

高斯混合密度降解模型在数据流聚类中的应用

针对数据流具有数据量无限且流速快的特点，将高斯混合密度降解模型应用于数据流聚类问题，在数据流中找出有效的高斯分量，并且合并相等的高斯分量．通过采用真实数据进行实验的结果表明，此方法能够有效解决数据流的聚类问题．     

基于高斯混合模型的说话人识别系统

针对概率得分均值法出现的单个帧概率打分容易畸低的情况以及投票法因归一化而损失掉正面影响帧的打分，提出了一种引入可信度的均值方法，实验证明：该方法兼顾二者的优势的同时，在一定程度上消除了各自产生的不利影响，提高了说话人识别的精度。     

基于DRJMCMC方法处理多元正态混合模型

运用带延迟拒绝的可逆跳马尔科夫链蒙特卡洛方法(DRJMCMC)来研究多元混合模型的参数估计和模型选择问题.在混合元的分裂和合并过程中,依然遵照转移前后模型的一阶和二阶矩不变的原则,同时引进随机产生的正交阵解决协方差矩阵不同的问题.还给出DRJMCMC算法在多元正态混合模型中的接受概率的具体表达式.最后给出了一些模拟数据的结果来验证这个算法的可行性及优良性.     

基于PCNN的高斯混合模型运动检测改进方法

针对同定摄像机的视频监控系统,提出了一种改进的基于混合高斯模型的运动目标检测方法.改进方法引入PCNN算法,针对模型匹配问题,提出自适应局部阈值算法并结合区域增长思想,利用PCNN的迭代计算,逐步检测出运动目标.实验表明,改进的方法与传统方法相比具有更好的运动目标检测能力,在运动目标和背景的灰度值差别比较小的情况下,能改善其运动目标检测的效果.     

自适应高斯混合模型语音增强方法

语音增强是解决噪声污染的有效方法,它的首要目标是在接收端尽可能从带噪语音中恢复纯净的语音信号．针对噪声环境下的语音增强问题,提出了一种语音增强新方法．该方法利用小波子带的方向性特点以及小波系数尺度内的相关性,将小波系数的概率分布建模为一种自适应高斯混合模型,在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数．利用这种萎缩函数可以实现对小波系数的修正．仿真实验表明,该算法对于噪声有较好的抑制作用,该算法在主观和客观测试中都具有良好的语音增强效果,可以在语音识别、语音编码中获得应用．     

基于正交混合Gauss模型的脱机手写数字识别

在基于统计方法的脱机手写数字识别中 ,为更加有效地描述特征的类条件概率分布 ,设计出性能优良的 Bayes分类器 ,采用了混合 Gauss模型。为减少模型的参数 ,通常假设各 Gauss分量的协方差矩阵为对角阵。由于各维特征之间统计相关 ,因此需要大量的 Gauss分量才能较好地描述特征的类条件概率分布 ,使得混合模型的阶数较高。为降低模型的阶数 ,采用了正交混合 Gauss模型 ,即先对各类别的特征分别进行 KL 变换 ,再将变换后的特征用混合 Gauss模型来表示。其中混合 Gauss模型的参数可以通过 EM算法进行估计。最后 ,在 NIST (National Institute of Standards andTechnology)手写数字样本集上对该方法的识别性能进行了验证     

一种混合高斯背景模型下的像素分类运动目标检测方法

运动目标检测在智能视频监控、人机交互、目标导航等诸多领域有着广泛应用.背景减法是运动目标检测中应用较广泛的一种方法.在该方法中,背景建模和阈值化分割是最重要的步骤,直接决定了检测效果的好坏.当目标本身变化比较大时,若利用传统的基于全局阈值的分割法,分割效果并不理想.针对基于全局阈值分割差分图像存在的问题,本文提出了一种基于混合高斯背景模型的像素分类运动目标检测方法.该方法首先利用混合高斯模型对背景建模,克服了场景变化等因素带来的影响;其次,利用背景减法得到差分图像并对像素进行分类,最后对分类后的像素集分别进行阈值化分割,得到前景目标.实验结果表明,与传统的基于全局阈值的分割法相比,本文算法能够获得更好的检测效果和鲁棒性.     

基于三支决策的高斯混合聚类研究

针对隶属关系不明确的情况,即样本点属于多个类别的概率接近,高斯混合模型聚类存在较大的误判风险的问题,将三支决策思想融入高斯混合模型中,提出一种基于三支决策的高斯混合聚类算法.新算法计算出数据对象属于各个类簇的后验概率作为决策评价函数,用于确定聚类结果的正域和边界域.由于新算法对边界对象采取了比一般高斯混合聚类算法更加谨慎的操作,避免了直接做出对象属于某一类或不属于某一类的决策所需承担的风险,从而有效减小了误判代价.实验进一步表明,所提出的算法不仅继承了高斯混合聚算法的特点,具有良好的聚类性能,而且还对于非球形数据簇表现出优良的聚类效果.     

基于改进LGDF模型的超声图像自动分割方法

基于局部高斯分布拟合能量(LGDF)模型的图像分割方法,对初始轮廓选取及参数选择较敏感.如果初始轮廓手动选取不当会由于陷入局部极小值而导致分割失败,且分割速度较慢.针对以上不足,提出了一种改进的LGDF模型的超声图像自动分割方法.该方法的正则化项由具有双极值点的势函数构成,在水平集函数进化过程中,可以避免由单极值点势函数造成的水平集函数震荡和扭曲,从而加快了收敛;另外,将局部熵阈值分割的结果作为LGDF模型的初始轮廓,接近真实轮廓,可以克服手动选取初始轮廓的影响.实验结果表明,该方法能自动获取合适的超声图像初始轮廓,并得到较好的分割结果,同时大大提高了分割速度.     

在遗传算法基础上的自动阈值选取方法

将遗传算法用于图像分割.利用遗传算法自动在搜索空间内快速寻优的特点确定阈值,对图像进行分割.实验结果表明该方法具有较高的收敛速度和良好的分割质量.