Rocky的部落格

高斯混合模型 (GMM) 是一種機器學習方法，用於估計數據的概率分佈。在圖像閾值分割的上下文中，GMM 可用於將像素值的直方圖建模為多個高斯分佈的混合。當您認為圖像有多於兩個的亮度級別（例如，前景、背景和陰影等），GMM 是一個好選擇。

1. 首先，將圖像像素值重新整形為一個列表。
2. 使用 sklearn 的 GaussianMixture 來擬合 GMM。您可以選擇要擬合的高斯分佈數量（例如，2 表示前景和背景）。
3. 使用擬合的模型預測每個像素的標籤。
4. 重新整形預測的標籤，使其具有與圖像相同的形狀。
5. 選擇一個閾值（例如，根據預測的標籤或 GMM 的平均值）將圖像二值化。

以下是如何在 Python 中使用 GMM 進行圖像閾值分割的範例：

import cv2
import numpy as np
import matplotlib.pyplot as plt
from sklearn.mixture import GaussianMixture

# Read the newly provided image
new_provided_img = cv2.imread('/mnt/data/Camera MV-GEC2000C#C0A800C9-Snapshot-20230316161733-1979637792559_5.jpg', cv2.IMREAD_GRAYSCALE)

def gmm_threshold(image, n_components=2):
    """
    Segment an image using Gaussian Mixture Model.
    
    Parameters:
    - image: 2D numpy array representing the grayscale image
    - n_components: number of Gaussian distributions to fit
    
    Returns:
    - segmented image
    """
    # Reshape the image to be a list of pixels
    pixels = image.reshape(-1, 1)
    
    # Fit the Gaussian Mixture Model
    gmm = GaussianMixture(n_components=n_components, random_state=0).fit(pixels)
    
    # Predict the labels for each pixel
    labels = gmm.predict(pixels)
    
    # Reshape the labels to have the same shape as the image
    segmented = labels.reshape(image.shape)
    
    # Convert segmented image to binary where the largest component is considered as foreground
    binary_img = np.where(segmented == segmented.max(), 255, 0).astype(np.uint8)
    
    return binary_img

# Segment the new provided image using GMM
gmm_img_new = gmm_threshold(new_provided_img)

# Display the original and GMM segmented images for the new provided image
fig, ax = plt.subplots(1, 2, figsize=(10, 5))

ax[0].imshow(new_provided_img, cmap='gray')
ax[0].set_title('Original Image')
ax[0].axis('off')

ax[1].imshow(gmm_img_new, cmap='gray')
ax[1].set_title('GMM Segmented Image')
ax[1].axis('off')

plt.tight_layout()
plt.show()

如上所示，左側是您提供的原始圖像，而右側是使用高斯混合模型 (GMM) 進行分割的結果。

使用 GMM 進行分割可以得到比傳統閾值方法更細緻的結果，特別是當圖像有多個亮度級別時。從結果中，您可以看到 GMM 是如何將圖像分割為前景和背景的。

這種方法的效果可能會因圖像和所選擇的 GMM 成分數量而異。您可以根據需要進一步調整和優化這個方法。