CvEMParams、CvEM的学习

最新推荐文章于 2021-08-18 00:11:42 发布

原创最新推荐文章于 2021-08-18 00:11:42 发布 · 1.3w 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#colors #float #null #parameters #测试 #image

VC6.0+OpenCV1.0 专栏收录该内容

3 篇文章

订阅专栏

本文深入探讨了在OpenCV环境下使用EM算法进行数据聚类的方法，包括数据预处理、模型初始化、训练过程及结果评估。通过实例代码展示了如何构建高斯混合模型，并实现对图像像素的聚类分类，最终展示聚类结果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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;
}