opencv中的EM算法应用

最新推荐文章于 2021-03-13 01:29:10 发布

原创最新推荐文章于 2021-03-13 01:29:10 发布 · 764 阅读

0 ·

CC 4.0 BY-SA版权

C++ 同时被 2 个专栏收录

23 篇文章

订阅专栏

Opencv

15 篇文章

订阅专栏

本文通过一个具体的实例展示了BM算法的使用过程。首先创建并训练了一个分类器，然后利用该分类器对样本数据进行预测，并将预测结果可视化展示。实验结果显示，当样本点之间的距离较大时，分类效果更佳。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

BM算法及原理不是很懂，先上一个实例代码。

// 训练分类器
	Ptr<EM> em_model = EM::create();
	em_model->setClustersNumber(N);
	em_model->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL);
	em_model->setTermCriteria(TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 10000, 0.1));
	em_model->trainEM(sampleM, noArray(), noArray(), noArray());

	//对每个坐标点进行分类，并根据类别用不同的颜色画出
	Mat sample(1, 2, CV_32FC1);
	Mat out(src.size(), CV_8UC3);
	for (int i = 0; i < sampleCount; i++)
	{
		sample.at<float>(0) = (float)cvRound(points[i].x);
		sample.at<float>(1) = (float)cvRound(points[i].y);
		int response = cvRound(em_model->predict2(sample, noArray())[1]);
		Scalar c = colors[response];  //为不同类别设定颜色
		circle(out, Point(cvRound(points[i].x), cvRound(points[i].y)), 1, c*0.75, FILLED);
	}
	imshow("clusters", out);
	cv::waitKey(0);

效果图如下，距离间隔大效果较好。