GMM EM 基于图像分割

高斯混合模型和EM基于图像分割这是一个函数试图获取高斯混合模型，期望最大化（EM）算法，最大似然估计。它适用于数据集的任意尺寸。应用多种技术来避免这往往发生在高维数据的计算概率的浮点数的下溢的问题。另外，代码是经过精心设计，以高效利用vertorization和矩阵分解。这是一种广泛使用的算法。该算法的细节可以在许多教科书或教程在网上找到。只是谷歌EM高斯混合或者您也可以阅读wiki页面：http://en.wikipedia.org/wiki/Expectation-maximization_algorithm这个功能是健壮和有效的但代码结构进行组织，使得它很容易阅读。例如：负载数据;标记= emgm（的x，3）;传播（X，标签）;除了使用EM，以适应GMM，我强烈建议你尝试另一个提交我的：变分贝叶斯推断高斯混合模型(http://www.mathworks.com/matlabcentral/fileexchange/35362-variational-bayesian-inference-for-gaussian-mixture-model)它执行的GMM贝叶斯推理。它具有混合元件的数量可以通过算法来自动识别的优点。对所有关于使用代码图像分割的问题，就必须orgnize图像划分成一个矩阵，其中的每一列是图像中的一个像素的特征向量。例如，如果RGB值被使用时，对于一个10×10的图像数据矩阵是3×100矩阵，其中的每一列是一个像素的RGB值的向量。