在这一点上，我不建议 GMM，因为空间中的点分布不够好。即使您想使用它，最好在 PC 空间中查看您的数据（即使用 PCA）。我的建议是：

1）想想你的特点。这些是什么？你打算使用这些 gr-chromacity 作为特征吗？如果是，您应该知道内核方法在这方面效果更好，因为这些特征是高度非线性的。该图像显示无论如何您都需要特征映射。

2）当您将 SVM 作为标签时，您似乎已经想到了内核方法​​。您可以将其用于分类。在这里可能比 GMM 工作得更好。还可以考虑概率图形模型，因为它们已被广泛用于图像分割，并且您的图像结构足够好（无论如何，足球场在图像中都有其固定位置）。

3）如果您有原始标记的数据集，我建议您考虑更智能的分割功能。在 gr-chromacity 中，你已经失去了一些关于颜色的信息，这对你来说是最重要的。我建议也考虑像素的位置。然后对新数据的 PCA 可能会揭示一些更线性分离的类。