OpenCV：如何对 GMM 计算的概率进行分类

Question

我正在使用opencv EM算法借助opencv文档中的示例代码获取GMM模型如下：

cv::Mat capturedFrame
const int N = 5; 
int nsamples = 100;
cv::Mat samples ( nsamples, 2, CV_32FC1 );
samples = samples.reshape ( 2, 0 );
cv::Mat sample ( 1, 2, CV_32FC1 );
CvEM em_model;
CvEMParams params;

for ( i = 0; i < N; i++ )
{           
//from the training samples
cv::Mat samples_part = samples.rowRange ( i*nsamples/N, (i+1)*nsamples/N);
cv::Scalar mean (((i%N)+1)*img.rows/(N1+1),((i/N1)+1)*img.rows/(N1+1));
cv::Scalar sigma (30,30);
cv::randn(samples_part,mean,sigma);                     

}
samples = samples.reshape ( 1, 0 );
//initialize model parameters
params.covs         = NULL;
params.means        = NULL;
params.weights      = NULL;
params.probs        = NULL;
params.nclusters    = N;
params.cov_mat_type = CvEM::COV_MAT_SPHERICAL;
params.start_step   = CvEM::START_AUTO_STEP;
params.term_crit.max_iter = 300;
params.term_crit.epsilon  = 0.1;
params.term_crit.type   = CV_TERMCRIT_ITER|CV_TERMCRIT_EPS;     
//cluster the data
em_model.train ( samples, Mat(), params, &labels );

作为 GMM 和 openCV 的新手，现在我有一些问题：

首先，执行上述代码后，我可以得到如下问题：

cv::Mat probs = em_model.getProbs();

那我怎样才能得到元素最多和最少的模型，即最大和最小的模型呢？

其次，我这里的样本数据只有100个，和opencv的示例代码一样，但是我正在读取一个大小为600x800的帧，我想对其中的所有像素进行采样，是480000。但是这100个样本大约需要10毫秒，这意味着如果我设置它会太慢：

int nsamples = 480000;

我在这里走对了吗？

Answer 1

如果我的问题是正确的，那么您所说的“最大”和“最小”模型是指混合中每个高斯的权重。您可以使用EM::getWeights 获取与高斯相关的权重。

关于第二个问题，如果您使用 480000 个样本而不是 100 个样本来训练模型，是的，它肯定会更长。 “太慢”取决于您的要求。但是 EM 是一个分类模型，所以通常要做的就是你必须训练模型，使用足够数量的样本。这是一个漫长的过程，但通常是“离线”完成的。然后，您可以使用该模型来“预测”新样本，即获取与新输入样本相关联的概率。当您调用getProbs() 函数时，您将获得与您的训练样本相关联的概率。如果您想获得未知样本的概率，通常是视频帧中的像素，请调用函数predict。