CvEMParams、CvEM的学习

一直希望能实现混合高斯算法，查找了一下OpenCV中现有的东西，发现有关于EM的实现，于是尝试去使用，实现函数在……\OpenCV\ml\src中mlem.cpp中，但是关于使用的资料比较少，操作文档里有一个例程，首先从这个例程开始吧。

其中主要注意的问题就是数据格式，训练数据与测试数据要有共同的数据格式，而且测试数据必须为1维数据。

问题一：但是关于predict这个函数返回的数据是得分最高的聚类类别，而是否能利用这个函数第二个参数probs返回每个概率还有待验证，google到的结果是

直接应用prob矩阵：http://tech.groups.yahoo.com/group/OpenCV/message/40633

但是有些数据返回NAN 有同样问题 http://tech.groups.yahoo.com/group/OpenCV/message/48530，不知道怎样解决

需要改mlem.cpp:https://code.ros.org/trac/opencv/ticket/964

问题二：关于em中参数返回的数据格式是float还是double，如果想知道这些数据，又涉及到读取CvMat中数据，难道要尝试才能得到结果？

想要应用还需要弄清楚很多问题，还需要继续努力……

#include "stdio.h"
#include "ml.h"
#include "highgui.h"
#include "iostream.h"

int main( int argc, char** argv )
{
    const int N = 4;//高斯个数
    const int N1 = (int)sqrt((double)N);
    const CvScalar colors[] = {{{0,0,255}},{{0,255,0}},{{0,255,255}},{{255,255,0}}};
    int i, j;
    int nsamples = 100;//训练个数
    CvRNG rng_state = cvRNG(-1);
    CvMat* samples = cvCreateMat( nsamples, 2,CV_32FC1 );//浮点1通道
    CvMat* labels = cvCreateMat( nsamples, 1, CV_32SC1 );
    IplImage* img = cvCreateImage( cvSize( 500, 500 ), 8, 3 );
    float _sample[2];
    CvMat sample = cvMat( 1, 2, CV_32FC1, _sample );
    CvEM em_model;
    CvEMParams params;
    CvMat samples_part;

    cvReshape( samples, samples, 2, 0 );//不拷贝数据修改矩阵/图像形状 ;2为新的通道数
    for( i = 0; i < N; i++ )
    {
        CvScalar mean, sigma;
//数组的一行或在一定跨度内的行 //输入，输出，起始索引，结束索引
        cvGetRows(samples, &samples_part, i*nsamples/N, (i+1)*nsamples/N );
//均值，方差？
        mean = cvScalar(((i%N1)+1.)*img->width/(N1+1), ((i/N1)+1.)*img->height/(N1+1));
        sigma = cvScalar(30,30);
//用随机数填充数组并更新 RNG 状态 
        cvRandArr( &rng_state, &samples_part, CV_RAND_NORMAL, mean, sigma );
    }
    cvReshape( samples, samples, 1, 0 );//重新为1通道数

    // initialize model's parameters
    params.covs      = NULL;
    params.means     = NULL;
    params.weights   = NULL;
    params.probs     = NULL;
    params.nclusters = N;
    params.cov_mat_type       = CvEM::COV_MAT_SPHERICAL;
    params.start_step         = CvEM::START_AUTO_STEP;
    params.term_crit.max_iter = 10;
    params.term_crit.epsilon  = 0.1;
    params.term_crit.type     = CV_TERMCRIT_ITER|CV_TERMCRIT_EPS;

    // cluster the data
    em_model.train( samples, 0, params, labels );

   // classify every image pixel
    cvZero( img );
    for( i = 0; i < img->height; i++ )
    {
        for( j = 0; j < img->width; j++ )
        {
            CvPoint pt = cvPoint(j, i);
  float *data=sample.data.fl;
  data[0] = (float)j;
           data[1] = (float)i;
            int response = cvRound(em_model.predict( &sample, NULL ));
            CvScalar c = colors[response];
  cvCircle( img, pt, 1, cvScalar(c.val[0]*0.75,c.val[1]*0.75,c.val[2]*0.75), CV_FILLED );
        }
    }

    //draw the clustered samples
    for( i = 0; i < nsamples; i++ )
    {
        CvPoint pt;
        pt.x = cvRound(samples->data.fl[i*2]);
        pt.y = cvRound(samples->data.fl[i*2+1]);
        cvCircle( img, pt, 1 , colors[labels->data.i[i]], CV_FILLED );
    }

    cvNamedWindow( "EM-clustering result", 1 );
    cvShowImage( "EM-clustering result", img );
    cvWaitKey(0);

    cvReleaseMat( &samples );
    cvReleaseMat( &labels );
    return 0;
}