《表1 传统算法和改进算法的对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于膜计算框架改进的高斯混合模型在图像分割上的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本节中，实验使用了CORELOR1000图像集，首先，随机选取一张像素为84×128的图像，使用高斯混合模型（GMM-EM）、k均值改进的高斯混合模型（KGMM-EM）和膜计算框架下改进的高斯混合模型期望最大化算法（MGMM-EM）分别在高斯分量为2、3、4、5、6、7、8、9、10的条件下进行实验对比，由于这些算法都包含一些随机因素，因此我们采用在相同的实验环境下每种算法对每个高斯分量独立地运行20次，计算其平均值及标准差。平均值可以反映算法的平均性能，标准差可以反映算法的鲁棒性，实验结果如表1所示。然后，选取了像素为384×256且场景不同、颜色层次不同的几张图像，作为实验数据集，使用MGMM-EM和GMM-EM进行实验对比。实验比较了对数似然估计函数的收敛速度和对应的分割效果。图3（a1）-(a4）的高斯分量分别为8、10、6。实验表明我们改进后的算法使EM更易收敛同时得到的分割图像效果更好。