基于改进EM算法的高斯混合模型图像聚类方法

摘要

针对现有高斯混合模型对初始值敏感并容易陷入局部最优值的情况，提出一种基于改进EM算法的高斯混合模型图像聚类方法。该方法首先使用惯性权重先增后减的粒子群完成高斯混合模型参数初始化；然后引入近似骨架理论对EM算法进行改进优化，求解出高斯混合模型的最终参数；最后在图像聚类应用中进行仿真实验。基于改进EM算法的高斯混合模型图像聚类方法，结构相似度相较于标准EM算法、RSEM算法和PSOEM算法分别提升6.31%、4.20%和1.38%；余弦距离值相较于标准EM算法、RSEM算法和PSOEM算法分别提升4.12%、2.69%和0.94%。实验结果表明，该方法能够有效提升局部像素区域的聚类效果，获得聚类边界更加清晰的输出图像。

0 引言

高斯混合模型（Gaussian Mixture Model，GMM）是一种典型的软聚类模型［1