基于GoF-EM算法的图像分割
【摘要】 在图像分割领域，高斯混合模型经常被用来对背景建模并用EM算法估计模型参数，但EM算法对初始值敏感，当给定错误的隐变量值-子模型个数时，EM算法对真实分布的拟合效果较差。针对高斯混合模型中隐变量值的估计问题，结合统计学中的KS检验提出基于拟合优度的EM算法(goodness-of-fittingbasedexpectation-maximizationalgorithm，GoF-EM)，并将其应用到图像分割中。GoF-EM算法随机给定初始值，利用信息熵和统计拟合优度判断当前结果是否达到最优。对不满足拟合优度检验的高斯模型进行迭代分裂或合并操作直至收敛。分别在UCI数据集的聚类任务和图像分割任务中设计实验验证GoF-EM算法的有效性。实验结果表明，GoF-EM算法与其他算法相比，能够提高对高斯模型个数估计的精确度。对图像分割的结果证明GoF-EM算法能够分割出更多的特征区域，同时也表现出较好的稳定性。
