聚类

详细描述

枚举
枚举	cv::KmeansFlags {   cv::KMEANS_RANDOM_CENTERS = 0 ,   cv::KMEANS_PP_CENTERS = 2 ,   cv::KMEANS_USE_INITIAL_LABELS = 1 }
	k-means标志 更多…

函数
double	cv::kmeans (InputArray data, int K, InputOutputArray bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray centers=noArray())
	查找聚类的中心并将输入样本分组到这些聚类周围。
template<typename _Tp , class _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

KmeansFlags

枚举 cv::KmeansFlags

#include <opencv2/core.hpp>

k-means标志

枚举器
KMEANS_RANDOM_CENTERS  Python: cv.KMEANS_RANDOM_CENTERS	在每次尝试中选择随机初始中心。
KMEANS_PP_CENTERS  Python: cv.KMEANS_PP_CENTERS	使用Arthur和Vassilvitskii提出的kmeans++中心初始化方法 [Arthur2007]。
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。对于第二次及后续尝试，使用随机或半随机中心。使用其中一个KMEANS_*_CENTERS标志来指定确切的方法。

函数文档

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>

查找聚类的中心并将输入样本分组到这些聚类周围。

kmeans函数实现了一个k-means算法，该算法查找cluster_count个聚类的中心，并将输入样本分组到这些聚类周围。作为输出，\(\texttt{bestLabels}_i\)包含样本矩阵第\(i^{th}\)行中存储的样本的基于0的聚类索引。

注意

• (Python) 关于k-means聚类的示例可以在opencv_source_code/samples/python/kmeans.py中找到。

参数

data	用于聚类的数据。需要一个具有浮点坐标的N维点数组。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	要将集合拆分的聚类数。
bestLabels	输入/输出整数数组，用于存储每个样本的聚类索引。
criteria	算法终止条件，即最大迭代次数和/或所需的精度。精度指定为criteria.epsilon。一旦在某个迭代中每个聚类中心移动的距离小于criteria.epsilon，算法就会停止。
attempts	用于指定使用不同初始标记执行算法的次数的标志。算法返回产生最佳紧凑性（参见最后一个函数参数）的标签。
flags	可以取cv::KmeansFlags值的标志
centers	聚类中心的输出矩阵，每行代表一个聚类中心。

返回值

该函数返回紧凑性度量，该度量计算如下：

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

每次尝试后。选择最佳（最小）值，并由函数返回相应的标签和紧凑性值。基本上，您可以只使用函数的核心，将尝试次数设置为1，每次使用自定义算法初始化标签，使用(flags = KMEANS_USE_INITIAL_LABELS)标志传递它们，然后选择最佳（最紧凑）聚类。

以下是此函数的调用图

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>

将元素集拆分为等价类。

泛型函数partition实现了一个\(O(N^2)\)算法，用于将一组\(N\)个元素拆分为一个或多个等价类，如http://en.wikipedia.org/wiki/Disjoint-set_data_structure所述。该函数返回等价类的数量。

参数

vec	存储为向量的元素集。
labels	标签的输出向量。它包含与vec一样多的元素。每个标签labels[i]是vec[i]的基于0的聚类索引。
predicate	等价谓词（指向具有两个参数的布尔函数的指针，或具有方法bool operator()(const _Tp& a, const _Tp& b)的类的实例）。当元素肯定在同一类中时，谓词返回true；如果它们可能在同一类中也可能不在同一类中，则返回false。