scikit-learn高斯混合模型集基於高斯均值的預測輸出

Question

我正在使用GMM來找出2個重疊的高斯。 一個是信號，另一個是背景。 背景始終具有比信號低的值和均值。 在大多數情況下， gmm.means_的順序為[lower_mean，Higher_mean]，這使其將0預測為背景，將1預測為信號。 有時，均值的順序為[higher_mean，lower_mean]，這使得GMM可以將其預測為信號0和噪聲1（與我想要的相反）。 我希望平均值較低的高斯為背景（0），平均值較高的高斯為signal（1）。 如何將GMM結果設置為正確的順序或如何設置預測輸出？

img = cv2.imread(path, -1)
img_flatten = img.flatten().reshape(img.flatten().shape[0],1)

gmm = GaussianMixture(n_components=2, covariance_type='full')
gmm.fit(img_flatten)
pred = gmm.predict(img_flatten) # how can I set the prediction value I want for each Gaussian?

print(np.round(g.means_, 2))
# gives [[  66.31] [ 203.64]] on some images and [[  67.32] [ 306.13]] on other

Answer 1

Stauffer和Grimson的文章“用於實時跟蹤的自適應背景混合模型”討論了一種啟發式方法，用於識別GMM的哪些組件與背景相對應。 他們建議按w / sigma的值對高斯進行排序（w是混合權重，sigma是其標准差）。 並且前k個應該是背景的。 如何選擇k取決於每個問題，並將在本文中進行討論。

但這僅是兩個高斯的情況，也許您可​​以檢查w / sigma最高的高斯分量是否始終對應於同一類。

更詳細一點：在那篇論文中，sigma是一維高斯的std。 在您的情況下，您似乎具有N維高斯。 在這種情況下，您可以將方差的行列式取為1/2的冪，而不是sigma。