背景: 我有 2 组来自图像的颜色像素，一组对应于背景，另一组对应于前景。接下来，我使用来自 OpenCV 的 EM 为每组训练 2 个高斯混合模型。我的目标是找出随机像素属于前景和背景的概率。因此，我对像素上的每个 EM 使用函数“预测”。

问题:

• 我不明白这个函数返回的值。在OpenCV的文档中是这样写的:

The method returns a two-element double vector. Zero element is a likelihood logarithm value for the sample. First element is an index of the most probable mixture component for the given sample.

http://docs.opencv.org/modules/ml/doc/expectation_maximization.html?highlight=predict#Vec2d%20EM::predict%28InputArray%20sample,%20OutputArray%20probs%29%20const

我不明白“似然对数”是什么意思。在我的结果中，有时我有负值和值 > 1。使用相同函数的人是否有这种结果或结果在 0 和 1 之间？我可以从结果中得出什么结论？

• 如何获得像素属于整个 GMM 的概率(而不是属于 GMM 的每个簇的概率)？

这是我的代码:

Mat mask = imread("mask.tif", 0);
Mat formerImage = imread("ImageFormer.tif");
Mat currentImage = imread("ImageCurrent.tif");

// number of cluster in the GMM 
int nClusters = 5;

int countB=0, countF=0;

Vec3b color;

Vec2d probFg, probBg; // probabilities to belong to the foreground or background from GMMs

//count the number of pixels for each training data
for(int c=0; c<=40;c++) {
    for(int l=0; l<=40;l++) {
        if(mask.at<BYTE>(l, c)==255) {
            countF++;
        } else if(mask.at<BYTE>(l, c)==0) {
            countB++;
        }
    }
}


printf("countB %d countF %d \n", countB, countF);

Mat samplesForeground = Mat(countF,3, CV_64F);

Mat samplesBackground = Mat(countB,3, CV_64F);


// Expectation-Maximisation able to resolve the GMM and to predict the probability for a pixel to belong to the GMM.
EM em_foreground= EM(nClusters);
EM em_background= EM(nClusters);

countB=0;
countF=0;

// fill the training data from the former image depending of the mask
for(int c=0; c<=40;c++) {
    for(int l=0; l<=40;l++) {
        if(mask.at<BYTE>(l, c)==255) {
            color = formerImage.at<Vec3b>(l, c);
            samplesForeground.at<double>(countF,0)=color[0];
            samplesForeground.at<double>(countF,1)=color[1];
            samplesForeground.at<double>(countF,2)=color[2];
            countF++;
        } else if(mask.at<BYTE>(l, c)==0) {
            color = formerImage.at<Vec3b>(l, c);
            samplesBackground.at<double>(countB, 0)=color[0];
            samplesBackground.at<double>(countB, 1)=color[1];
            samplesBackground.at<double>(countB, 2)=color[2];
            countB++;
        }
    }
}

printf("countB %d countF %d \n", countB, countF);
em_foreground.train(samplesForeground);
em_background.train(samplesBackground);

Mat sample(1, 3, CV_64F);

// try every pixel of the current image and get the log likelihood
for(int c=0; c<=40;c++) {
    for(int l=0; l<=40;l++) {
        color = currentImage.at<Vec3b>(l,c);
        sample.at<double>(0)=color[0];
        sample.at<double>(1)=color[1];
        sample.at<double>(2)=color[2];
        probFg=em_foreground.predict(sample);
        probBg=em_background.predict(sample);
        if(probFg[0]>0 || probBg[0]>0)
            printf("probFg[0] %f probBg[0] %f \n", probFg[0], probBg[0]);
    }
}

编辑

经过@BrianL 的解释，我现在明白了对数似然。

我的问题是预测函数的对数概率有时>0。但它应该是<>

我已经编辑了上面的代码以显示问题。我已经用下面的图片尝试了这个程序:

第一张图片是ImageCurrent.tif，第二张是ImageFormer.tif，最后一张是mask.tif。

这可以被认为是 OpenCV 中的错误吗？我应该在 OpenCV 错误跟踪器上开票吗？

最佳答案

“似然对数”是指概率的对数。由于对于概率 p，我们期望 0 ≤ p ≤ 1，因此我期望值是负的:log(p) ≤ 0。较大的负数意味着较小的概率。

当您处理概率非常小的乘积时，这种形式很有用:如果您以正常方式相乘，则很容易出现下溢并失去精度，因为概率变得非常小。但在对数空间中，乘法变成了加法，这提高了准确性，也可能提高了计算速度。

predict 函数用于对数据点进行分类。如果您想为某个点属于模型中任何组件的可能性打分，您可以使用模型参数(参见get文档)来自己计算。

关于c++ - OpenCV:期望最大化的预测函数的输出，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/14230377/