聚類

詳細描述

列舉
列舉	cv::KmeansFlags {   cv::KMEANS_RANDOM_CENTERS = 0 ,   cv::KMEANS_PP_CENTERS = 2 ,   cv::KMEANS_USE_INITIAL_LABELS = 1 }
	k-均值標誌 更多...

函式
double	cv::kmeans (InputArray data, int K, InputOutputArray bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray centers=noArray())
	查詢簇的中心，並將輸入樣本圍繞簇進行分組。
template<typename _Tp , class _EqPredicate >
int	cv::partition (const std::vector< _Tp > &vec, std::vector< int > &labels, _EqPredicate predicate=_EqPredicate())
	將元素集拆分為等價類。

列舉型別文件

KmeansFlags

enum cv::KmeansFlags

#include <opencv2/core.hpp>

k-均值標誌

列舉器
KMEANS_RANDOM_CENTERS  Python：cv.KMEANS_RANDOM_CENTERS	在每次嘗試中選擇隨機初始中心。
KMEANS_PP_CENTERS  Python：cv.KMEANS_PP_CENTERS	使用 Arthur 和 Vassilvitskii [Arthur2007] 的 kmeans++ 中心初始化方法。
KMEANS_USE_INITIAL_LABELS  Python：cv.KMEANS_USE_INITIAL_LABELS	在第一次（也可能是唯一一次）嘗試中，使用使用者提供的標籤，而不是從初始中心計算它們。對於第二次和以後的嘗試，使用隨機或半隨機中心。使用 KMEANS_*_CENTERS 標誌之一來指定確切的方法。

函式文件

kmeans()

double cv::kmeans	(	InputArray	data,
		int	輸入的相機內參矩陣。,
		InputOutputArray	bestLabels,
		TermCriteria	criteria,
		int	嘗試次數,
		int	flags,
		OutputArray	centers = noArray() )

Python
	cv.kmeans(	data, K, bestLabels, criteria, attempts, flags[, centers]	) ->	retval, bestLabels, centers

#include <opencv2/core.hpp>

查詢簇的中心，並將輸入樣本圍繞簇進行分組。

函式 kmeans 實現了一種 k-均值演算法，該演算法查詢 cluster_count 個簇的中心，並將輸入樣本圍繞簇進行分組。作為輸出，\(\texttt{bestLabels}_i\) 包含樣本矩陣的第 \(i^{th}\) 行中儲存的樣本的從 0 開始的簇索引。

注意

• (Python) 可以在 opencv_source_code/samples/python/kmeans.py 中找到 k-均值聚類的示例

引數

data	用於聚類的資料。需要一個具有浮點座標的 N 維點陣列。此陣列的示例可以是 Mat points(count, 2, CV_32F); Mat points(count, 1, CV_32FC2); Mat points(1, count, CV_32FC2); std::vector<cv::Point2f> points(sampleCount);
輸入的相機內參矩陣。	將集合分割成的簇的數量。
bestLabels	輸入/輸出整數陣列，用於儲存每個樣本的簇索引。
criteria	演算法終止條件，即最大迭代次數和/或所需的精度。精度指定為 criteria.epsilon。一旦每個簇中心在某些迭代中移動小於 criteria.epsilon，演算法就會停止。
嘗試次數	標誌，用於指定使用不同初始標籤執行演算法的次數。該演算法返回產生最佳緊密度（參見最後一個函式引數）的標籤。
flags	可以採用 cv::KmeansFlags 值的標誌
輸出檢測到的中心點陣列。	簇中心的輸出矩陣，每個簇中心一行。

返回

該函式返回緊密度度量，計算公式為

\[\sum _i \| \texttt{samples} _i - \texttt{centers} _{ \texttt{labels} _i} \| ^2\]

在每次嘗試之後。選擇最佳（最小）值，函式返回相應的標籤和緊密度值。基本上，您可以只使用函式的核心，將嘗試次數設定為 1，每次使用自定義演算法初始化標籤，使用（ flags = KMEANS_USE_INITIAL_LABELS ）標誌傳遞它們，然後選擇最佳（最緊湊）的聚類。

此函式的呼叫圖如下

partition()

template<typename _Tp , class _EqPredicate >

int cv::partition	(	const std::vector< _Tp > &	vec,
		std::vector< int > &	labels,
		_EqPredicate	predicate = _EqPredicate() )

#include <opencv2/core/operations.hpp>

將元素集拆分為等價類。

通用函式 partition 實現了一種 \(O(N^2)\) 演算法，用於將 \(N\) 個元素的集合分成一個或多個等價類，如 http://en.wikipedia.org/wiki/Disjoint-set_data_structure 中所述。該函式返回等價類的數量。

引數

vec	儲存為向量的元素集。
labels	標籤的輸出向量。它包含與 vec 一樣多的元素。每個標籤 labels[i] 都是 vec[i] 的從 0 開始的簇索引。
predicate	等價謂詞（指向兩個引數的布林函式的指標，或具有方法 bool operator()(const _Tp& a, const _Tp& b) 的類的例項）。當元素肯定在同一個類中時，謂詞返回 true，如果它們可能在或可能不在同一個類中，則返回 false。