使用laws纹理滤波结合高斯混合分类器做缺陷检测训练及测试数据使用德国DAGM提供的数据，
测试1：
使用少量图片测试发现缺陷对el和sl等检测横向的纹理的滤波器特别敏感，使用这两种滤波得到的特征作为高斯混合模型的特征，进行训练和测试。
主要参数：
sl shift 2
el shift 2
train threshold 0.001 regularize 1e-5
测试集分类时拒绝阈值 0.05
转载
2024-05-29 10:28:40
46阅读
前面讲了一维和多维高斯分布的相关知识。但是在某些情况下，使用 单高斯模型(Gaussian single model, GSM） 会有一些局限。在现实世界中我们需要学习的目标可能符合这样的分布 ：如上图所示，当你用单高斯模型去拟合它时，得到这样的曲线。显然它不能很好地表征目标。这样的目标有多种模式，或者缺乏对称性。 你将看到混合高斯模型的表现力则很好，好到可以建模任意的分布。 简单地说，混合高斯模
转载
2023-12-27 11:09:46
148阅读
专题：高斯混合模型在实际应用中，kmeans的非概率性和它仅根据到簇中心点的距离来指派簇的特点将导致性能低下。二高斯混合模型，可以看作是kmeans思想的一个扩展。%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
sns.se
转载
2023-12-21 11:20:10
131阅读
高斯混合模型（GMM）参数优化及实现 1 高斯混合模型概述高斯密度函数估计是一种参数化模型。有单高斯模型（Single Gaussian Model, SGM）和高斯混合模型（Gaussian mixture model，GMM）两类。类似于聚类，根据高斯概率密度函数（PDF，见公式1）参数的不同，每一个高斯模型可以看作一种类别，输入一个样本< xmlnamespace prefi
转载
2024-03-08 18:04:43
55阅读
高斯混合模型（Gaussian Mixture Model）首先看一个图直观理解：包含三个高斯分量的一个维度的GMM是如何由其高斯分量叠加而成基本原理： ＝＝》混合模型＋高斯模型 组成１.混合模型（MIxture Model） 混合模型是一个可以用来表示在总体分布（distribution）中含有 K 个子分布的概率模型，换句话说，混合模型表示了观测数据在总体中的概率分布，它是一个由 K 个子分布
转载
2023-12-01 12:10:41
176阅读
作者：桂。前言本文是曲线拟合与分布拟合系列的一部分，主要总结混合高斯模型（Gaussian Mixture Model,GMM）,GMM主要基于EM算法（前文已经推导），本文主要包括： 1）GMM背景介绍； 2）GMM理论推导； 3）GMM代码实现；内容多有借鉴他人，最后一并给出链接。 一、GMM背景 A-高斯模型1给出单个随机信号(均值为-2，方差为9的高斯分布)，可以利用最大
最近在看李航的《统计学习方法》一书，关于EM算法部分收集了些资料进行了学习，做了些混合高斯的模拟，下面分三个部分介绍下相关内容：1）EM算法原理，2）混合高斯推导，3）相关代码和结果一、EM算法原理EM算法推导中一个重要的概念是Jensen不等式。其表述为：如果为凸函数（），则有，当且仅当的时候不等式两边等号才成立。如果概率模型只针对观测样本，那么根据的观测值，可以通过极大似然或贝叶斯估计法估计其
转载
2024-08-09 13:52:28
56阅读
(GMM)(EM算法)(EM算法) 一、前言 高斯混合模型(Gaussian Mixture Model)简称GMM，是一种业界广泛使用的聚类算法。它是多个高斯分布函数的线性组合，理论上GMM可以拟合出任意类型的分布，通常用于解决同一集合下的数据包含多种不同的分布的情况。高斯混合模型使用了期望最大(Expectation Maxi
转载
2024-01-15 17:23:15
189阅读
一、概述以一维数据为例，我们可以看到下图通过将多个单一的高斯模型加权叠加到一起就可以获得一个高斯混合模型，这个混合模型显然具备比单个高斯模型更强的拟合能力：再举一个二维数据的例子，在下图中可以看到有两个数据密集区域，对应的概率分布也就会有两个峰。高斯混合模型可以看做生成模型，其数据生成过程可以认为先选择一个高斯分布，再从被选择的高斯分布中生成数据：综合上述两种描述，我们可以从两种角度来描述高斯混合
转载
2023-10-28 11:09:45
150阅读
在开始讲解之前，我要先给看这篇文章的你道个歉，因为《2012.李航.统计学习方法.pdf》中该节的推导部分还有些内容没有理解透彻，不过我会把我理解的全部写出来，而没理解的也会尽可能的把现有的想法汇总，欢迎你和我一起思考，如果你知道为什么的话，还请在评论区留言，对此，不胜感激。 当然，若你对EM算法都一知
转载
2023-09-08 11:25:39
132阅读
导语：现有的高斯模型有单高斯模型（SGM）和高斯混合模型（GMM）两种。从几何上讲，单高斯分布模型在二维空间上近似于椭圆，在三维空间上近似于椭球。在很多情况下，属于同一类别的样本点并不满足“椭圆”分布的特性，所以我们需要引入混合高斯模型来解决这种情况。1 单高斯模型多维变量X服从高斯分布时，它的概率密度函数PDF定义如下：在上述定义中,x是维数为D的样本向量，mu是模型期望，sigma是模型协方
转载
2023-12-21 09:40:59
70阅读
聚类的方法有很多种，k-means要数最简单的一种聚类方法了，其大致思想就是把数据分为多个堆，每个堆就是一类。每个堆都有一个聚类中心（学习的结果就是获得这k个聚类中心），这个中心就是这个类中所有数据的均值，而这个堆中所有的点到该类的聚类中心都小于到其他类的聚类中心（分类的过程就是将未知数据对这k个聚类中心进行比较的过程，离谁近就是谁）。其实k-
转载
2023-12-18 21:59:45
47阅读
下面介绍一下几种典型的机器算法 首先第一种是高斯混合模型算法: 高斯模型有单高斯模型（SGM）和混合高斯模型（GMM）两种。 （1）单高斯模型： ，阈值t的选取一般靠经验值来设定。通常意义下，我们一般取t=0.7-0.75之间。 二维情况如下所示： （2）混合高斯模型： 对于(b)图所示的情况，很明显，单高斯模型是无法解决的
转载
2023-10-25 12:47:23
92阅读
高斯混合模型GMM
高斯混合模型GMM高斯混合模型定义GMM参数估计的EM算法明确隐变量写完全数据对数似然函数EM算法的E步EM算法的M步参考
注：该文章与《统计学习方法》by 李航 中的章节大致相同。 回顾EM算法的可以参考EM算法高斯混合模型定义 高斯混合模型是指具有如下形式的概率分布模型： 其中，
αk是系数，
αk⩾0,∑Kk=1αk=1；
Φ(y|θk
转载
2024-05-13 15:23:08
219阅读
GMM高斯混合模型
Gaussian Mixed Model
问题引入 看图1，我们很容易用一个高斯分布函数就能拟合，但是看图2，我们就很难用一个高斯分布函数去拟合了，需要用两个高斯分布函数才能很好地拟合，所以这里就引入了GMM高斯混合模型---多个高斯模型的线性组合。不同于单高斯模型的参数估计，是通过观测数据 估计参数 。高斯混合模型不仅要估计每一
转载
2024-04-01 07:03:46
76阅读
机器学习笔记(10)-高斯混合模型高斯混合模型（Gaussian Mixture Model，GMM），顾名思义是通过假设样本数据是由若干个服从高斯分布组合混合而成的，当我们确定一个样本点后，它可以属于任何一个高斯分布，只是属于每个分布的概率不同，所有分布的总和为1。所以高斯分布可以用于聚类，当输入一个样本数据后，根据模型来判断该样本点属于哪个高斯分布（簇）。最后使用上一节介绍的EM算法来求解GM
转载
2023-07-23 19:14:11
320阅读
这篇讨论使用期望最大化算法（Expectation-Maximization）来进行密度估计（density estimation）。 与k-means一样，给定的训练样本是，我们将隐含类别标签用表示。与k-means的硬指定不同，我们首先认为是满足一定的概率分布的，这里我们认为满足多项式分布，，其中，有k个值{1,…,k}可以选取。
转载
2024-05-13 12:45:26
49阅读
#include <stdio.h>
#include <cv.h>
#include <cxcore.h>
#include <highgui.h>
#include <cvaux.h>//必须引此头文件void main( )
{
//参数初始化定义
IplImage* pFrame = NULL;
Ipl
转载
2024-09-30 16:55:30
39阅读
本文的参考资料：《Python数据科学手册》； 本文的源代上传到了Gitee上；本文用到的包：%matplotlib inline
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from matplotlib.patches import Ellipse
f
转载
2024-01-08 13:54:46
167阅读
基于高斯函数的算法，通过混合单个或多个高斯函数，计算对应像素中概率，哪个分类的概率最高的，则属于哪个类别图解： GMM算法概述GMM方法跟K - Means相比较，属于软分类 实现方法 - 期望最大化(E - M) 停止条件 - 收敛，或规定的循环次数 代码：#include<opencv2\core\core.hpp>
#include<opencv2\hi
转载
2024-05-14 15:49:03
62阅读
