該類實現了期望最大化演算法。更多...

#include <opencv2/ml.hpp>

cv::ml::EM 協作圖

公共型別
列舉	{ DEFAULT_NCLUSTERS =5 , DEFAULT_MAX_ITERS =100 }
	預設引數。更多...

列舉	{ START_E_STEP =1 , START_M_STEP =2 , START_AUTO_STEP =0 }
	初始步驟。更多...

列舉	型別 { COV_MAT_SPHERICAL =0 , COV_MAT_DIAGONAL =1 , COV_MAT_GENERIC =2 , COV_MAT_DEFAULT =COV_MAT_DIAGONAL }
	協方差矩陣的型別。更多...

繼承自 cv::ml::StatModel 的公共型別
列舉	標誌 { UPDATE_MODEL = 1 , RAW_OUTPUT =1 , COMPRESSED_INPUT =2 , PREPROCESSED_INPUT =4 }

公共成員函式
virtual int	getClustersNumber () const =0

virtual int	getCovarianceMatrixType () const =0

virtual void	getCovs (std::vector< Mat > &covs) const =0
	返回協方差矩陣。

virtual Mat	getMeans () const =0
	返回聚類中心（高斯混合的均值）

virtual TermCriteria	getTermCriteria () const =0

virtual Mat	getWeights () const =0
	返回混合物的權重。

virtual float	predict (InputArray samples, OutputArray results=noArray(), int flags=0) const CV_OVERRIDE=0
	返回所提供樣本的後驗機率。

virtual Vec2d	predict2 (InputArray sample, OutputArray probs) const =0
	返回給定樣本的似然對數值和最可能混合分量的索引。

virtual void	setClustersNumber (int val)=0

virtual void	setCovarianceMatrixType (int val)=0

virtual void	setTermCriteria (const TermCriteria &val)=0

virtual bool	trainE (InputArray samples, InputArray means0, InputArray covs0=noArray(), InputArray weights0=noArray(), OutputArray logLikelihoods=noArray(), OutputArray labels=noArray(), OutputArray probs=noArray())=0
	從樣本集估計高斯混合引數。

virtual bool	trainEM (InputArray samples, OutputArray logLikelihoods=noArray(), OutputArray labels=noArray(), OutputArray probs=noArray())=0
	從樣本集估計高斯混合引數。

virtual bool	trainM (InputArray samples, InputArray probs0, OutputArray logLikelihoods=noArray(), OutputArray labels=noArray(), OutputArray probs=noArray())=0
	從樣本集估計高斯混合引數。

繼承自 cv::ml::StatModel 的公共成員函式
virtual float	calcError (const Ptr< TrainData > &data, bool test, OutputArray resp) const
	計算訓練或測試資料集上的誤差。

virtual bool	empty () const CV_OVERRIDE
	如果 Algorithm 為空（例如在最開始或讀取失敗後），則返回 true。

virtual int	getVarCount () const =0
	返回訓練樣本中變數的數量。

virtual bool	isClassifier () const =0
	如果模型是分類器，則返回 true。

virtual bool	isTrained () const =0
	如果模型已訓練，則返回 true。

virtual bool	train (const Ptr< TrainData > &trainData, int flags=0)
	訓練統計模型。

virtual bool	train (InputArray samples, int layout, InputArray responses)
	訓練統計模型。

繼承自 cv::Algorithm 的公共成員函式
	Algorithm ()

virtual	~Algorithm ()

virtual void	clear ()
	清除演算法狀態。

virtual String	getDefaultName () const

virtual void	read (const FileNode &fn)
	從檔案儲存中讀取演算法引數。

virtual void	save (const String &filename) const

void	write (const Ptr< FileStorage > &fs, const String &name=String()) const

virtual void	write (FileStorage &fs) const
	將演算法引數儲存到檔案儲存中。

void	write (FileStorage &fs, const String &name) const

靜態公共成員函式
static Ptr< EM >	create ()

static Ptr< EM >	load (const String &filepath, const String &nodeName=String())
	從檔案載入並建立一個序列化的 EM。

繼承自 cv::ml::StatModel 的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	train (const Ptr< TrainData > &data, int flags=0)
	使用預設引數建立並訓練模型。

繼承自 cv::Algorithm 的靜態公共成員函式
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	從檔案中載入演算法。

template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	從字串載入演算法。

template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	從檔案節點讀取演算法。

附加繼承成員
繼承自 cv::Algorithm 的保護成員函式
void	writeFormat (FileStorage &fs) const

詳細描述

此類實現期望最大化演算法。

另請參見: 期望最大化

成員列舉文件

◆ 匿名列舉

匿名列舉

預設引數。

列舉器
DEFAULT_NCLUSTERS
DEFAULT_MAX_ITERS

◆ 匿名列舉

匿名列舉

初始步驟。

列舉器
START_E_STEP
START_M_STEP
START_AUTO_STEP

◆ 型別

enum cv::ml::EM::Types

協方差矩陣的型別。

列舉器
COV_MAT_SPHERICAL	一個縮放的單位矩陣 \(\mu_k * I\)。每個矩陣只有一個引數 \(\mu_k\) 需要估計。此選項可用於約束相關聯的特殊情況，或作為最佳化的第一步（例如，當資料透過 PCA 預處理時）。此類初步估計的結果可以再次傳遞給最佳化過程，此時 covMatType=EM::COV_MAT_DIAGONAL。
COV_MAT_DIAGONAL	具有正對角元素的對角矩陣。每個矩陣的自由引數數量為 d。這是最常用的選項，可產生良好的估計結果。
COV_MAT_GENERIC	一個對稱正定矩陣。每個矩陣中的自由引數數量約為 \(d^2/2\)。不建議使用此選項，除非有相當準確的引數初始估計和/或大量的訓練樣本。
COV_MAT_DEFAULT

成員函式文件

◆ create()

static Ptr< EM > cv::ml::EM::create ( )

static

Python
	cv.ml.EM.create(		) ->	retval
	cv.ml.EM_create(		) ->	retval

建立空的 EM 模型。然後應使用 StatModel::train(traindata, flags) 方法訓練該模型。或者，您可以使用 EM::train* 方法之一，或使用 Algorithm::load<EM>(filename) 從檔案載入它。

◆ getClustersNumber()

virtual int cv::ml::EM::getClustersNumber ( ) const

純虛擬函式

Python
	cv.ml.EM.getClustersNumber(		) ->	retval

高斯混合模型中的混合分量數量。引數的預設值為 EM::DEFAULT_NCLUSTERS=5。某些 EM 實現可以在指定值範圍內確定最佳混合數量，但這在 ML 中尚未實現。

另請參見: setClustersNumber

◆ getCovarianceMatrixType()

virtual int cv::ml::EM::getCovarianceMatrixType ( ) const

純虛擬函式

Python
	cv.ml.EM.getCovarianceMatrixType(		) ->	retval

協方差矩陣的約束，定義了矩陣的型別。參見 EM::Types。

另請參見: setCovarianceMatrixType

◆ getCovs()

virtual void cv::ml::EM::getCovs ( std::vector< Mat > & covs ) const

純虛擬函式

Python
	cv.ml.EM.getCovs(	[, covs]	) ->	covs

返回協方差矩陣。

返回協方差矩陣向量。矩陣的數量是高斯混合的數量，每個矩陣都是一個 NxN 的浮點方陣，其中 N 是空間維度。

◆ getMeans()

virtual Mat cv::ml::EM::getMeans ( ) const

純虛擬函式

Python
	cv.ml.EM.getMeans(		) ->	retval

返回聚類中心（高斯混合的均值）

返回一個矩陣，其行數等於混合物數量，列數等於空間維度。

◆ getTermCriteria()

virtual TermCriteria cv::ml::EM::getTermCriteria ( ) const

純虛擬函式

Python
	cv.ml.EM.getTermCriteria(		) ->	retval

EM 演算法的終止準則。EM 演算法可以透過迭代次數 termCrit.maxCount（M 步數）或當似然對數的相對變化小於 termCrit.epsilon 時終止。預設最大迭代次數為 EM::DEFAULT_MAX_ITERS=100。

另請參見: setTermCriteria

◆ getWeights()

virtual Mat cv::ml::EM::getWeights ( ) const

純虛擬函式

Python
	cv.ml.EM.getWeights(		) ->	retval

返回混合物的權重。

返回一個向量，其元素數量等於混合物數量。

◆ load()

static Ptr< EM > cv::ml::EM::load	(	const String &	filepath,
		const String &	nodeName = String() )

static

Python
	cv.ml.EM.load(	filepath[, nodeName]	) ->	retval
	cv.ml.EM_load(	filepath[, nodeName]	) ->	retval

從檔案載入並建立一個序列化的 EM。

使用 EM::save 將 EM 序列化並存儲到磁碟。透過呼叫此函式並提供檔案路徑，可以再次從該檔案載入 EM。可選地指定包含分類器的檔案節點。

引數

filepath	序列化 EM 的路徑
nodeName	包含分類器的節點的名稱

◆ predict()

virtual float cv::ml::EM::predict	(	InputArray	samples,
		OutputArray	results = noArray(),
		int	flags = 0 ) const

純虛擬函式

Python
	cv.ml.EM.predict(	samples[, results[, flags]]	) ->	retval, results

返回所提供樣本的後驗機率。

引數

samples	輸入樣本，浮點矩陣
結果	可選的輸出 \( nSamples \times nClusters\) 結果矩陣。它包含輸入中每個樣本的後驗機率。
flags	此引數將被忽略

實現了 cv::ml::StatModel。

此函式的呼叫圖如下

◆ predict2()

virtual Vec2d cv::ml::EM::predict2	(	InputArray	sample,
		OutputArray	probs ) const

純虛擬函式

Python
	cv.ml.EM.predict2(	sample[, probs]	) ->	retval, probs

返回給定樣本的似然對數值和最可能混合分量的索引。

引數

sample	用於分類的樣本。它應該是一個 \(1 \times dims\) 或 \(dims \times 1\) 大小的單通道矩陣。
probs	可選的輸出矩陣，包含給定樣本的每個分量的後驗機率。它的大小為 \(1 \times nclusters\) 且型別為 CV_64FC1。

該方法返回一個包含兩個元素的雙精度向量。零元素是樣本的似然對數值。第一個元素是給定樣本最可能混合分量的索引。

◆ setClustersNumber()

virtual void cv::ml::EM::setClustersNumber ( int val )

純虛擬函式

Python
	cv.ml.EM.setClustersNumber(	val	) ->	無

另請參見: getClustersNumber

◆ setCovarianceMatrixType()

virtual void cv::ml::EM::setCovarianceMatrixType ( int val )

純虛擬函式

Python
	cv.ml.EM.setCovarianceMatrixType(	val	) ->	無

另請參見: getCovarianceMatrixType

◆ setTermCriteria()

virtual void cv::ml::EM::setTermCriteria ( const TermCriteria & val )

純虛擬函式

Python
	cv.ml.EM.setTermCriteria(	val	) ->	無

另請參見: getTermCriteria

◆ trainE()

virtual bool cv::ml::EM::trainE	(	InputArray	samples,
		InputArray	means0,
		InputArray	covs0 = noArray(),
		InputArray	weights0 = noArray(),
		OutputArray	logLikelihoods = noArray(),
		OutputArray	labels = noArray(),
		OutputArray	probs = noArray() )

純虛擬函式

Python
	cv.ml.EM.trainE(	samples, means0[, covs0[, weights0[, logLikelihoods[, labels[, probs]]]]]	) ->	retval, logLikelihoods, labels, probs

從樣本集估計高斯混合引數。

此變體從期望步開始。您需要提供混合分量的初始均值 \(a_k\)。可選地，您可以傳遞混合分量的初始權重 \(\pi_k\) 和協方差矩陣 \(S_k\)。

引數

samples	將估計高斯混合模型的樣本。它應該是一個單通道矩陣，每行是一個樣本。如果矩陣不是 CV_64F 型別，它將被轉換為該型別的內部矩陣以供進一步計算。
means0	混合分量的初始均值 \(a_k\)。它是一個 \(nclusters \times dims\) 大小的單通道矩陣。如果矩陣不是 CV_64F 型別，它將被轉換為該型別的內部矩陣以供進一步計算。
covs0	混合分量的初始協方差矩陣 \(S_k\) 的向量。每個協方差矩陣都是一個 \(dims \times dims\) 大小的單通道矩陣。如果矩陣不是 CV_64F 型別，它們將被轉換為該型別的內部矩陣以供進一步計算。
weights0	混合分量的初始權重 \(\pi_k\)。它應該是一個 \(1 \times nclusters\) 或 \(nclusters \times 1\) 大小的單通道浮點矩陣。
logLikelihoods	可選的輸出矩陣，包含每個樣本的似然對數值。它的大小為 \(nsamples \times 1\) 且型別為 CV_64FC1。
labels	每個樣本的可選輸出“類別標籤”：\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每個樣本最可能混合分量的索引）。它的大小為 \(nsamples \times 1\) 且型別為 CV_32SC1。
probs	可選的輸出矩陣，包含給定每個樣本的每個高斯混合分量的後驗機率。它的大小為 \(nsamples \times nclusters\) 且型別為 CV_64FC1。

◆ trainEM()

virtual bool cv::ml::EM::trainEM	(	InputArray	samples,
		OutputArray	logLikelihoods = noArray(),
		OutputArray	labels = noArray(),
		OutputArray	probs = noArray() )

純虛擬函式

Python
	cv.ml.EM.trainEM(	samples[, logLikelihoods[, labels[, probs]]]	) ->	retval, logLikelihoods, labels, probs

從樣本集估計高斯混合引數。

此變體從期望步開始。模型引數的初始值將透過 k-means 演算法估計。

與許多 ML 模型不同，EM 是一種無監督學習演算法，它不將響應（類別標籤或函式值）作為輸入。相反，它從輸入樣本集計算高斯混合引數的*最大似然估計*，並將所有引數儲存在結構中：probs 中的 \(p_{i,k}\)，means 中的 \(a_k\)，covs[k] 中的 \(S_k\)，weights 中的 \(\pi_k\)，並可選地計算每個樣本的輸出“類別標籤”：\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每個樣本最可能混合分量的索引）。

訓練好的模型可以像其他任何分類器一樣用於預測。訓練好的模型類似於 NormalBayesClassifier。

引數

samples	將估計高斯混合模型的樣本。它應該是一個單通道矩陣，每行是一個樣本。如果矩陣不是 CV_64F 型別，它將被轉換為該型別的內部矩陣以供進一步計算。
logLikelihoods	可選的輸出矩陣，包含每個樣本的似然對數值。它的大小為 \(nsamples \times 1\) 且型別為 CV_64FC1。
labels	每個樣本的可選輸出“類別標籤”：\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每個樣本最可能混合分量的索引）。它的大小為 \(nsamples \times 1\) 且型別為 CV_32SC1。
probs	可選的輸出矩陣，包含給定每個樣本的每個高斯混合分量的後驗機率。它的大小為 \(nsamples \times nclusters\) 且型別為 CV_64FC1。

◆ trainM()

virtual bool cv::ml::EM::trainM	(	InputArray	samples,
		InputArray	probs0,
		OutputArray	logLikelihoods = noArray(),
		OutputArray	labels = noArray(),
		OutputArray	probs = noArray() )

純虛擬函式

Python
	cv.ml.EM.trainM(	samples, probs0[, logLikelihoods[, labels[, probs]]]	) ->	retval, logLikelihoods, labels, probs

從樣本集估計高斯混合引數。

此變體從最大化步開始。您需要提供初始機率 \(p_{i,k}\) 才能使用此選項。

引數

samples	將估計高斯混合模型的樣本。它應該是一個單通道矩陣，每行是一個樣本。如果矩陣不是 CV_64F 型別，它將被轉換為該型別的內部矩陣以供進一步計算。
probs0	機率
logLikelihoods	可選的輸出矩陣，包含每個樣本的似然對數值。它的大小為 \(nsamples \times 1\) 且型別為 CV_64FC1。
labels	每個樣本的可選輸出“類別標籤”：\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每個樣本最可能混合分量的索引）。它的大小為 \(nsamples \times 1\) 且型別為 CV_32SC1。
probs	可選的輸出矩陣，包含給定每個樣本的每個高斯混合分量的後驗機率。它的大小為 \(nsamples \times nclusters\) 且型別為 CV_64FC1。

此類的文件是從以下檔案生成的

opencv2/ml.hpp

公共型別

公共成員函式

靜態公共成員函式

附加繼承成員

詳細描述

成員列舉文件

◆ 匿名列舉

◆ 匿名列舉

◆ 型別

成員函式文件

◆ create()

◆ getClustersNumber()

◆ getCovarianceMatrixType()

◆ getCovs()

◆ getMeans()

◆ getTermCriteria()

◆ getWeights()

◆ load()

◆ predict()

◆ predict2()

◆ setClustersNumber()

◆ setCovarianceMatrixType()

◆ setTermCriteria()

◆ trainE()

◆ trainEM()

◆ trainM()