GMM即高斯混合模型，GMM加上貝葉斯就能對影象進行分割。

在說高斯混合模型之前，得先認識單高斯模型,即高斯分佈（正態分佈），由圖可知，以某個點為例，它的高斯分佈含義：離該點越近其權重越大影響越大，越遠其權重越小影響越小，中心點的大小要受到周圍點的影響。比如  5 _ 10 _ _ 6，以10為中心點的高斯分佈，_代表距離，因為5離10更近，權值更大，設為0.8，則5變成5*0.8=4。因為6離10更遠，權值更小，設為0.4，則6變成6*0.4=2.4。

對於GMM高斯混合模型：圖中是一個直方圖，我用曲線去大概模擬走勢，可以看到為凹凸曲線，仔細想想，是不是像一個個單高斯分佈組合起來的？GMM高斯混合模型就是一個個單高斯分佈組合的。可以用來擬合直方圖。

影象處理知識：對於影象明顯的類別，在其直方圖上可以明顯看出，若直方圖上存在兩個波峰，則影象分為兩類。

貝葉斯：貝葉斯就是一個概率估計演算法，就是估計一個東西最有可能屬於哪類。

 影象分割：對於上圖，由直方圖可以認為影象分為兩類，即A和B類。現在要判斷每個畫素點屬於哪一類。以K畫素點為例，我們能從經驗認為，它有很大概率屬於A類。 如何對每個畫素點都能自動分類呢？用貝葉斯演算法，關於貝葉斯演算法，可以自查資料，這樣就把影象每個畫素點都找到屬於自己的類別。

以上都是自己對於GMM演算法的個人理解。

// GMM——影象分割.cpp: 定義控制檯應用程式的入口點。
//

#include<opencv2\opencv.hpp>
using namespace cv;
using namespace ml;

int main(int arc, char** argv) {
	Mat src = imread("C:/Users/zhang/Desktop/1.png");
	imshow("input", src);

	int width = src.cols;
	int height = src.rows;
	int dims = src.channels();
	int pointsCount = width * height;//總共資料點的個數

	Mat points(pointsCount, dims, CV_64FC1);//輸入資料，與原影象有著相同通道 
	Mat labels;//輸出資料，為各個資料點最終的分類索引
	int k = 3;//分別個數
	Scalar color[] = { //每個分類的顏色
		Scalar(0,0,255), 
		Scalar(0,255,0), 
		Scalar(255,0,0)
	};

	//將影象轉換為資料點
	int index = 0;
	for (int i = 0; i < height; i++) {
		for (int j = 0; j < width; j++) {
			//把RGB影象的三個通道的各個畫素點值分別賦給points的三個通道
			index = i * width + j;
			points.at<double>(index, 0) = src.at<Vec3b>(i, j)[0];
			points.at<double>(index, 1) = src.at<Vec3b>(i, j)[1];
			points.at<double>(index, 2) = src.at<Vec3b>(i, j)[2];
		}
	}
	//GMM分割（基於高斯混合模型的期望最大值）
	TermCriteria criteria = TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 100, 0.1);
	//10代表最大迴圈數目，1.0代表閾值
	Ptr<EM> em = EM::create();
	em->setClustersNumber(k);//分類個數
	em->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL);//協方差矩陣型別
	em->setTermCriteria(criteria);//停止條件
	em->trainEM(points, noArray(), labels, noArray());
	//第一個：表示輸入的資料集合，可以一維或者多維資料，型別是Mat型別，
	//第二個：可選項，輸出一個矩陣，裡面包含每個樣本的似然對數值，如果不需要則為noArray()
	//第三個：labels表示計算之後各個資料點的最終的分類索引，是一個INT型別的Mat物件，型別和長寬與原影象一致
	//第四個：//可選項，輸出一個矩陣，裡面包含每個隱性變數的後驗概率，如果不需要則為noArray()

	//將資料點轉換為影象並顯示
	Mat result = Mat::zeros(src.size(), CV_8UC3);
	for (int i = 0; i < height; i++) {
		for (int j = 0; j < width; j++) {
			index = i * width + j;
			int label = labels.at<int>(index, 0);////每個畫素點的標籤
			//把每個畫素點對應的標籤所對應的顏色賦給新影象
			result.at<Vec3b>(i, j)[0] = color[label][0];
			result.at<Vec3b>(i, j)[1] = color[label][1];
			result.at<Vec3b>(i, j)[2] = color[label][2];
		}
	}
	imshow("output", result);
	waitKey(0);
	return 0;
}
 

結果：分為3類

GMM進階：如何確定應該分為幾類？如何進行好壞評估？可以看看下面資料

https://blog.csdn.net/wangxiaopeng0329/article/details/53542606

https://blog.csdn.net/xiligey1/article/details/82457271