聚类

详细说明

枚举
枚举	cv::KmeansFlags {   cv::KMEANS_RANDOM_CENTERS = 0 ,   cv::KMEANS_PP_CENTERS = 2 ,   cv::KMEANS_USE_INITIAL_LABELS = 1 }
	k 均值标记 更多...

函数
double	cv::kmeans (InputArray data, int K, InputOutputArray bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray centers=noArray())
	查找集群中心，并将输入样本分组到集群中。
模板<typename _Tp , 类 _EqPredicate >
int	cv::partition (const std::vector< _Tp > &_vec, std::vector< int > &labels, _EqPredicate predicate=_EqPredicate())
	将元素集拆分为等价类。

枚举类型文档说明

KmeansFlags

枚举 cv::KmeansFlags

#include <opencv2/core.hpp>

k 均值标记

枚举器
KMEANS_RANDOM_CENTERS  Python: cv.KMEANS_RANDOM_CENTERS	在每个尝试中选择随机初始中心。
KMEANS_PP_CENTERS  Python: cv.KMEANS_PP_CENTERS	使用 Arthur 和 Vassilvitskii [Arthur2007] 的 kmeans++ 中心初始化。
KMEANS_USE_INITIAL_LABELS  Python: cv.KMEANS_USE_INITIAL_LABELS	在第一次（也可能是唯一一次）尝试中，使用用户提供的标签，而不是从初始中心计算标签。对于第二次及以后的尝试，使用随机或半随机中心。使用 KMEANS_*_CENTERS 标志之一指定具体方法。

函数文档说明

kmeans()

double cv::kmeans	(	InputArray	data,
		int	K,
		InputOutputArray	bestLabels,
		TermCriteria	criteria,
		int	attempts,
		int	flags,
		OutputArray	centers = noArray()
	)

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

#include <opencv2/core.hpp>

查找集群中心，并将输入样本分组到集群中。

这个函数kmeans执行 k 均值算法，查找 cluster_count 个簇的中心，并将输入样本分组在簇的周围。作为输出，\(\texttt{bestLabels}_i\) 包含样本的基于 0 的簇索引，该样本存储在样本矩阵的第 \(i^{th}\) 行。

提示

• (Python) 有关 K 均值聚类的示例可以在 opencv_source_code/samples/python/kmeans.py 中找到

参数

data	用于聚类的数，需要一个具有浮动坐标的 N 维点的数组。此数组的示例可以是 Mat points(count, 2, CV_32F); Mat points(count, 1, CV_32FC2); Mat points(1, count, CV_32FC2); std::vector<cv::Point2f> points(sampleCount);
K	用来对数据集进行拆分的簇数。
bestLabels	输入/输出整型数组，用于存储每个样本的簇索引。
criteria	算法终止的条件，即最大迭代次数和/或所需的精度。将精度指定为 accuracy.epsilon。一旦在某些迭代中每个簇中心的移动幅度均小于 accuracy.epsilon，该算法便会停止。
attempts	标志，用来指定使用哪些不同的初始标记执行该算法的次数。该算法会返回产生最佳紧凑性（请参见最后一个函数参数）的标签。
flags	标志，可以采用cv::KmeansFlags 的值
centers	簇中心的输出矩阵，每行表示一个簇中心。

返回值

此函数返回的紧凑性度量计算为

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

在每次尝试后。将选择最佳（最小）值，此函数将返回相应的标签和紧凑性值。从本质上说，你只能使用该函数的核心，将尝试次数设置为 1，每次使用自定义算法初始化标签，用（flags = KMEANS_USE_INITIAL_LABELS）标志将它们传递，然后选择最好（最紧凑）的聚类。

以下是此函数的调用图

partition()

模板<typename _Tp , 类 _EqPredicate >

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

#include <opencv2/core/operations.hpp>

将元素集拆分为等价类。

通用函数 partition 实现了一种 \(O(N^2)\) 算法，用于将一组 \(N\) 个元素按照等价类拆分为一组或多组，如 http://en.wikipedia.org/wiki/Disjoint-set_data_structure 中描述的。该函数返回等价类的数量。

参数

_vec	以向量的形式存储的一组元素。
labels	标签输出向量。它包含和 vec 一样多的元素。每个标签 labels[i] 是 vec[i] 的 0 为基的簇索引。
predicate	等价谓词（指向具有方法 bool operator()(const _Tp& a, const _Tp& b) 的具有两个参数的布尔函数或类的实例）。当元素肯定位于同一类时，该谓词返回 true，如果它们可能位于同一类或不位于同一类，则返回 false。