我有一小部分航空图像，其中图像中可见的不同地形已被人类专家标记。例如，图像可以包含植被，河流，落基山脉，农田等。每个图像可以具有一个或多个这些标记区域。使用这个小的标记数据集，我想为每种已知的地形类型拟合高斯混合模型。完成此操作后，对于图像中可能遇到的每N种类型的地形，我将拥有N个GMM。
现在，给定一张新图像，我想通过将像素分配给最可能的GMM来确定每个像素所属的地形。 这是正确的思路吗？如果可以，我该如何使用GMM对图像进行聚类
答案 0 :(得分：-1)
直觉上，您的思考过程是正确的。如果您已经有了标签，可以使此操作变得简单得多。
例如，让我们选择一个众所周知的非参数算法，例如“已知最近邻居” https://en.wikipedia.org/wiki/K-nearest_neighbors_algorithm
在这种算法中，您将采用新的“像素”，然后将找到最接近的k像素，例如您当前正在评估的k像素；最接近的位置由某个距离函数（通常是欧几里得）确定。然后，您可以从那里将这个新像素分配给最常出现的分类标签。
我不确定您是否在寻找特定的算法建议，但是KNN将是开始测试此类练习的很好算法。我看到您标记了sklearn，scikit learning有一个very good KNN implementation，建议您继续阅读。
答案 1 :(得分：-1)
如果使用带标签的训练数据，它不会聚类！
但是，您可以轻松使用GMM群集的标签功能。
为此，计算先验概率，均值和协方差矩阵，并将其求逆。然后使用来自训练数据的多元高斯方法，按照最大概率密度（按先验概率加权）对新图像的每个像素进行分类。