cv::DownhillSolver 類參考

此類用於執行函式的非線性非約束最小化。 更多...

#include <opencv2/core/optim.hpp>

cv::DownhillSolver 的協作圖

公共成員函式
virtual void	getInitStep (OutputArray step) const =0
	返回下山單純形演算法中將使用的初始步長。
virtual void	setInitStep (InputArray step)=0
	設定下山單純形演算法中將使用的初始步長。
繼承自 cv::MinProblemSolver 的公共成員函式
virtual Ptr< Function >	getFunction () const =0
	最佳化函式的 Getter。
virtual TermCriteria	getTermCriteria () const =0
	此演算法先前設定的終止標準的 Getter。
virtual double	minimize (InputOutputArray x)=0
	實際執行演算法並執行最小化。
virtual void	setFunction (const Ptr< Function > &f)=0
	最佳化函式的 Setter。
virtual void	setTermCriteria (const TermCriteria &termcrit)=0
	設定求解器的終止標準。
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 bool	empty () const
	如果 Algorithm 為空（例如，在最開始或在讀取不成功後），則返回 true。
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< DownhillSolver >	create (const Ptr< MinProblemSolver::Function > &f=Ptr< MinProblemSolver::Function >(), InputArray initStep=Mat_< double >(1, 1, 0.0), TermCriteria termcrit=TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS, 5000, 0.000001))
	此函式返回指向可立即使用的 DownhillSolver 物件的引用。
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。

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

詳細描述

此類用於執行函式的非線性非約束最小化。

定義在 n 維歐幾里得空間上，使用 Nelder-Mead 方法，也稱為下山單純形法**。有關該方法的基本思想可以從 http://en.wikipedia.org/wiki/Nelder-Mead_method 獲取。

應該注意的是，此方法雖然是確定性的，但更像是一種啟發式方法，因此可能會收斂到區域性最小值，而不一定是全域性最小值。它是一種迭代最佳化技術，每一步都僅使用在 n+1 個點處評估的函式值資訊，這些點排列為 n 維空間中的單純形（因此該方法的第二個名稱）。在每一步中，都會選擇一個新的點來評估函式，將獲得的值與先前的值進行比較，並根據此資訊，單純形改變其形狀，緩慢地移動到區域性最小值。因此，此方法僅使用函式值來做出決策，與例如非線性共軛梯度法（也在 optim 中實現）相反。

當完成的函式評估次數超過 termcrit.maxCount 時，當單純形頂點處的函式值在 termcrit.epsilon 範圍內時，或者當單純形變得太小以至於可以包含在具有 termcrit.epsilon 邊的框中時，Algorithm 停止，無論哪個先發生，對於某些使用者定義的正整數 termcrit.maxCount 和正非整數 termcrit.epsilon。

注意

DownhillSolver 是抽象介面 cv::MinProblemSolver 的派生類，而 cv::MinProblemSolver 反過來又派生自 Algorithm 介面，用於封裝 optim 模組中所有非線性最佳化演算法的通用功能。

終止標準應滿足以下條件

termcrit.type == (TermCriteria::MAX_ITER + TermCriteria::EPS) && termcrit.epsilon > 0 && termcrit.maxCount > 0

成員函式文件

create()

static Ptr< DownhillSolver > cv::DownhillSolver::create ( const Ptr< MinProblemSolver::Function > & f = Ptr< MinProblemSolver::Function >(), InputArray initStep = Mat_< double >(1, 1, 0.0), TermCriteria termcrit = TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS, 5000, 0.000001) )

static

此函式返回指向可立即使用的 DownhillSolver 物件的引用。

所有引數都是可選的，因此即使根本沒有引數也可以呼叫此過程。在這種情況下，將使用預設值。由於終止標準的預設值是唯一合理的，如果未將各個引數提供給 create()，則應在獲得的物件上呼叫 MinProblemSolver::setFunction() 和 DownhillSolver::setInitStep()。否則，兩種方式（將引數提供給 createDownhillSolver() 或遺漏它們並呼叫 MinProblemSolver::setFunction() 和 DownhillSolver::setInitStep()）絕對等效（並且如果檢測到無效輸入，將以相同的方式丟棄相同的錯誤）。

引數

hashtableResize()	指向將被最小化的函式的指標，類似於您透過 MinProblemSolver::setFunction 提交的指標。
initStep	將用於構造初始單純形的初始步長，類似於您透過 MinProblemSolver::setInitStep 提交的步長。
終止條件	演算法的終止標準，類似於您透過 MinProblemSolver::setTermCriteria 提交的標準。

getInitStep()

virtual void cv::DownhillSolver::getInitStep ( OutputArray step ) const

純虛擬函式

返回下山單純形演算法中將使用的初始步長。

引數

step	演算法中將使用的初始步長。請注意，雖然相應的 setter 接受列向量以及行向量，但此方法將返回一個行向量。

另請參見

DownhillSolver::setInitStep

setInitStep()

virtual void cv::DownhillSolver::setInitStep ( InputArray step )

純虛擬函式

設定下山單純形演算法中將使用的初始步長。

步長與初始點（在 DownhillSolver::minimize 中給出）是兩個 n 維向量，用於確定初始單純形的形狀。粗略地說，初始點確定單純形的位置（它將成為單純形的質心），而步長確定單純形的擴充套件（每個維度的大小）。更準確地說，如果 \(s,x_0\in\mathbb{R}^n\) 分別是初始步長和初始點，則單純形的頂點將是：\(v_0:=x_0-\frac{1}{2} s\) 和 \(v_i:=x_0+s_i\) 對於 \(i=1,2,\dots,n\)，其中 \(s_i\) 表示初始步長的 n 次座標的投影（投影結果被視為由 \(s_i:=e_i\cdot\left<e_i\cdot s\right>\) 給出的向量，其中 \(e_i\) 形成規範基）

引數

step	演算法中將使用的初始步長。粗略地說，它確定初始單純形的擴充套件（每個維度的大小）。

---

此類文件是從以下檔案生成的

• opencv2/core/optim.hpp