最近在看使用GMM（高斯混合分布）模型进行图像分割的文献《Interactive color image segmentation via interactive evidential labeling》。第一次接触图像的文献，随后代码复现出现困难，现在将遇到的问题记录如下。
1.GMM模型用于生成颜色空间的标签生成模式
该文献使用半监督学习，迭代前由人工标注一些前景和背景像素。我一开始以为是使用GMM模型生成前景和背景在图片的2维空间的抽样分布吗？第二天才明白不是的，是生成前景和背景在颜色空间中的抽样分布（比如RGB，等，文献使用LAB）。生成好以后就可以推广到未标注的像素点上了，这样就实现了“封闭世界”假设下的标签传播。在1次迭代的过程中使用EM算法对参数进行更新。这可以使用sklearn帮我们实现，事实上已经帮我们集成在sklearn的函数中了。
2.基于BIC准则的GMM聚类簇数选择
同样地，sklearn已经帮我们集成好了：Scikit-Learn学习笔记——高斯混合模型(GMM)应用：分类、密度估计、生成模型
3.簇的个数
前景使用若干簇生成，背景使用若干簇生成，至少不是网络上GMM分割一般使用的2个簇，因为这篇文献是给定标签的。那到底是多少簇合适呢？BIC准则，见2。
4.D-S证据理论
这个是我导师的研究方向，中文参考书只有一本，电商随便找找就可以找到，蒋雯主笔的好像是。国内有一位研究证据理论的大佬在上海交大，邓勇老师，他提出了Deng Entropy。
5.一区文献竟然调调库就能复现了，sklearn确实给力啊，然后我发现matlab也可以直接调参，不错啊
