Модели гауссовой смеси для кластеризации пикселей

Question

У меня есть небольшой набор аэрофотоснимков, где различные местности, видимые на изображении, были помечены специалистами-людьми. Например, изображение может содержать растительность, реку, скалистые горы, сельскохозяйственные угодья и т. Д. Каждое изображение может иметь одну или несколько помеченных областей. Используя этот небольшой помеченный набор данных, я хотел бы подогнать модель гауссовой смеси для каждого из известных типов местности. После того, как это будет завершено, у меня будет N чисел GMM для каждого N типов местности, с которыми я могу столкнуться на изображении.

Теперь, учитывая новое изображение, я хотел бы определить для каждого пикселя, к какой местности он принадлежит, назначив пиксель наиболее вероятному GMM. Это правильная линия мышления? И если да, как я могу пойти о кластеризации изображения с использованием GMMs

Answer 1

Это не кластеризация, если вы используете помеченные данные обучения!

Однако вы можете легко использовать функцию маркировки кластеризации GMM.

Для этого вычислите предыдущие вероятности, среднее значение и ковариациюматрицы, инвертировать их.Затем классифицируйте каждый пиксель нового изображения по максимальной плотности вероятности (взвешенной по предыдущим вероятностям), используя многовариантные гауссианы из обучающих данных.

Answer 2

Интуитивно, ваш мыслительный процесс правильный.Если у вас уже есть метки, которые делают это намного проще.

Например, давайте выберем очень известный и непараметрический алгоритм, такой как Known Nearest Neighbors https://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm

В этом алгоритмевы бы взяли ваши новые «пиксели», которые затем нашли бы самые близкие k-пиксели, такие как тот, который вы в настоящее время оцениваете;где ближайший определяется некоторой функцией расстояния (обычно евклидова).Затем вы можете назначить этот новый пиксель наиболее часто встречающейся классификационной метке.

Я не уверен, ищете ли вы конкретную рекомендацию алгоритма, но KNN был бы очень хорошим алгоритмом для начала тестирования этогоТип упражнения на.Я видел, как вы пометили sklearn, scikit learn имеет очень хорошую реализацию KNN Я предлагаю вам прочитать дальше.