我正在使用GMM来分离2个重叠的高斯。一个是信号，另一个是背景。背景总是具有比信号更低的值和平均值。大多数情况下，gmm.means_的顺序是[lower_mean，higher_mean]，这使得它将0预测为背景，将1预测为信号。有时，均值的顺序是[higher_mean，lower_mean]，这使得GMM将其预测为0表示信号，1表示噪声（与我想要的相反）。我希望具有较低均值的高斯是背景（0），而具有较高均值的高斯是信号（1）。如何将GMM结果设置为正确的顺序或如何设置预测输出？
img = cv2.imread(path, -1)
img_flatten = img.flatten().reshape(img.flatten().shape[0],1)
gmm = GaussianMixture(n_components=2, covariance_type='full')
gmm.fit(img_flatten)
pred = gmm.predict(img_flatten) # how can I set the prediction value I want for each Gaussian?
print(np.round(g.means_, 2))
# gives [[ 66.31] [ 203.64]] on some images and [[ 67.32] [ 306.13]] on other
答案 0 :(得分：1)
Stauffer和Grimson的文章“用于实时跟踪的自适应背景混合模型”讨论了一种启发式算法，用于识别GMM的哪些组成部分与背景相对应。他们建议用w / sigma的值来对高斯人进行排序（w是混合权重，西格玛是他们的标准）。前k个应该是背景的。如何选择k取决于每个问题，并在论文中讨论。
但是你的情况只有两个高斯，也许你可以检查具有最高w / sigma的高斯分量是否总是对应于同一个类。
还有一个细节：在那篇论文中，sigma是1-d Gaussian的std。在你的情况下，你似乎有N维高斯。在这种情况下，您可以将协方差的决定因素取代1/2的幂，而不是西格玛。