该类实现了期望最大化算法。更多...

#include <opencv2/ml.hpp>

cv::ml::EM 协作图

公共类型
枚举	{ DEFAULT_NCLUSTERS =5 , DEFAULT_MAX_ITERS =100 }
	默认参数。更多...

枚举	{ START_E_STEP =1 , START_M_STEP =2 , START_AUTO_STEP =0 }
	初始步骤。更多...

枚举	类型 { COV_MAT_SPHERICAL =0 , COV_MAT_DIAGONAL =1 , COV_MAT_GENERIC =2 , COV_MAT_DEFAULT =COV_MAT_DIAGONAL }
	协方差矩阵的类型。更多...

继承自 cv::ml::StatModel 的公共类型
枚举	标志 { UPDATE_MODEL = 1 , RAW_OUTPUT =1 , COMPRESSED_INPUT =2 , PREPROCESSED_INPUT =4 }

公共成员函数
virtual int	getClustersNumber () const =0

virtual int	getCovarianceMatrixType () const =0

virtual void	getCovs (std::vector< Mat > &covs) const =0
	返回协方差矩阵。

virtual Mat	getMeans () const =0
	返回聚类中心（高斯混合的均值）

virtual TermCriteria	getTermCriteria () const =0

virtual Mat	getWeights () const =0
	返回混合物的权重。

virtual float	predict (InputArray samples, OutputArray results=noArray(), int flags=0) const CV_OVERRIDE=0
	返回所提供样本的后验概率。

virtual Vec2d	predict2 (InputArray sample, OutputArray probs) const =0
	返回给定样本的似然对数值和最可能混合分量的索引。

virtual void	setClustersNumber (int val)=0

virtual void	setCovarianceMatrixType (int val)=0

virtual void	setTermCriteria (const TermCriteria &val)=0

virtual bool	trainE (InputArray samples, InputArray means0, InputArray covs0=noArray(), InputArray weights0=noArray(), OutputArray logLikelihoods=noArray(), OutputArray labels=noArray(), OutputArray probs=noArray())=0
	从样本集估计高斯混合参数。

virtual bool	trainEM (InputArray samples, OutputArray logLikelihoods=noArray(), OutputArray labels=noArray(), OutputArray probs=noArray())=0
	从样本集估计高斯混合参数。

virtual bool	trainM (InputArray samples, InputArray probs0, OutputArray logLikelihoods=noArray(), OutputArray labels=noArray(), OutputArray probs=noArray())=0
	从样本集估计高斯混合参数。

继承自 cv::ml::StatModel 的公共成员函数
virtual float	calcError (const Ptr< TrainData > &data, bool test, OutputArray resp) const
	计算训练或测试数据集上的误差。

virtual bool	empty () const CV_OVERRIDE
	如果 Algorithm 为空（例如在最开始或读取失败后），则返回 true。

virtual int	getVarCount () const =0
	返回训练样本中变量的数量。

virtual bool	isClassifier () const =0
	如果模型是分类器，则返回 true。

virtual bool	isTrained () const =0
	如果模型已训练，则返回 true。

virtual bool	train (const Ptr< TrainData > &trainData, int flags=0)
	训练统计模型。

virtual bool	train (InputArray samples, int layout, InputArray responses)
	训练统计模型。

继承自 cv::Algorithm 的公共成员函数
	Algorithm ()

virtual	~Algorithm ()

virtual void	clear ()
	清除算法状态。

virtual String	getDefaultName () const

virtual void	read (const FileNode &fn)
	从文件存储中读取算法参数。

virtual void	save (const String &filename) const

void	write (const Ptr< FileStorage > &fs, const String &name=String()) const

virtual void	write (FileStorage &fs) const
	将算法参数存储到文件存储中。

void	write (FileStorage &fs, const String &name) const

静态公共成员函数
static Ptr< EM >	create ()

static Ptr< EM >	load (const String &filepath, const String &nodeName=String())
	从文件加载并创建一个序列化的 EM。

继承自 cv::ml::StatModel 的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	train (const Ptr< TrainData > &data, int flags=0)
	使用默认参数创建并训练模型。

继承自 cv::Algorithm 的静态公共成员函数
template<typename _Tp >
static Ptr< _Tp >	load (const String &filename, const String &objname=String())
	从文件中加载算法。

template<typename _Tp >
static Ptr< _Tp >	loadFromString (const String &strModel, const String &objname=String())
	从字符串加载算法。

template<typename _Tp >
static Ptr< _Tp >	read (const FileNode &fn)
	从文件节点读取算法。

附加继承成员
继承自 cv::Algorithm 的保护成员函数
void	writeFormat (FileStorage &fs) const

详细描述

此类实现期望最大化算法。

另请参见: 期望最大化

成员枚举文档

◆ 匿名枚举

匿名枚举

默认参数。

枚举器
DEFAULT_NCLUSTERS
DEFAULT_MAX_ITERS

◆ 匿名枚举

匿名枚举

初始步骤。

枚举器
START_E_STEP
START_M_STEP
START_AUTO_STEP

◆ 类型

enum cv::ml::EM::Types

协方差矩阵的类型。

枚举器
COV_MAT_SPHERICAL	一个缩放的单位矩阵 \(\mu_k * I\)。每个矩阵只有一个参数 \(\mu_k\) 需要估计。此选项可用于约束相关联的特殊情况，或作为优化的第一步（例如，当数据通过 PCA 预处理时）。此类初步估计的结果可以再次传递给优化过程，此时 covMatType=EM::COV_MAT_DIAGONAL。
COV_MAT_DIAGONAL	具有正对角元素的对角矩阵。每个矩阵的自由参数数量为 d。这是最常用的选项，可产生良好的估计结果。
COV_MAT_GENERIC	一个对称正定矩阵。每个矩阵中的自由参数数量约为 \(d^2/2\)。不建议使用此选项，除非有相当准确的参数初始估计和/或大量的训练样本。
COV_MAT_DEFAULT

成员函数文档

◆ create()

static Ptr< EM > cv::ml::EM::create ( )

static

Python
	cv.ml.EM.create(		) ->	retval
	cv.ml.EM_create(		) ->	retval

创建空的 EM 模型。然后应使用 StatModel::train(traindata, flags) 方法训练该模型。或者，您可以使用 EM::train* 方法之一，或使用 Algorithm::load<EM>(filename) 从文件加载它。

◆ getClustersNumber()

virtual int cv::ml::EM::getClustersNumber ( ) const

纯虚函数

Python
	cv.ml.EM.getClustersNumber(		) ->	retval

高斯混合模型中的混合分量数量。参数的默认值为 EM::DEFAULT_NCLUSTERS=5。某些 EM 实现可以在指定值范围内确定最佳混合数量，但这在 ML 中尚未实现。

另请参见: setClustersNumber

◆ getCovarianceMatrixType()

virtual int cv::ml::EM::getCovarianceMatrixType ( ) const

纯虚函数

Python
	cv.ml.EM.getCovarianceMatrixType(		) ->	retval

协方差矩阵的约束，定义了矩阵的类型。参见 EM::Types。

另请参见: setCovarianceMatrixType

◆ getCovs()

virtual void cv::ml::EM::getCovs ( std::vector< Mat > & covs ) const

纯虚函数

Python
	cv.ml.EM.getCovs(	[, covs]	) ->	covs

返回协方差矩阵。

返回协方差矩阵向量。矩阵的数量是高斯混合的数量，每个矩阵都是一个 NxN 的浮点方阵，其中 N 是空间维度。

◆ getMeans()

virtual Mat cv::ml::EM::getMeans ( ) const

纯虚函数

Python
	cv.ml.EM.getMeans(		) ->	retval

返回聚类中心（高斯混合的均值）

返回一个矩阵，其行数等于混合物数量，列数等于空间维度。

◆ getTermCriteria()

virtual TermCriteria cv::ml::EM::getTermCriteria ( ) const

纯虚函数

Python
	cv.ml.EM.getTermCriteria(		) ->	retval

EM 算法的终止准则。EM 算法可以通过迭代次数 termCrit.maxCount（M 步数）或当似然对数的相对变化小于 termCrit.epsilon 时终止。默认最大迭代次数为 EM::DEFAULT_MAX_ITERS=100。

另请参见: setTermCriteria

◆ getWeights()

virtual Mat cv::ml::EM::getWeights ( ) const

纯虚函数

Python
	cv.ml.EM.getWeights(		) ->	retval

返回混合物的权重。

返回一个向量，其元素数量等于混合物数量。

◆ load()

static Ptr< EM > cv::ml::EM::load	(	const String &	filepath,
		const String &	nodeName = String() )

static

Python
	cv.ml.EM.load(	filepath[, nodeName]	) ->	retval
	cv.ml.EM_load(	filepath[, nodeName]	) ->	retval

从文件加载并创建一个序列化的 EM。

使用 EM::save 将 EM 序列化并存储到磁盘。通过调用此函数并提供文件路径，可以再次从该文件加载 EM。可选地指定包含分类器的文件节点。

参数

filepath	序列化 EM 的路径
nodeName	包含分类器的节点的名称

◆ predict()

virtual float cv::ml::EM::predict	(	InputArray	samples,
		OutputArray	results = noArray(),
		int	flags = 0 ) const

纯虚函数

Python
	cv.ml.EM.predict(	samples[, results[, flags]]	) ->	retval, results

返回所提供样本的后验概率。

参数

samples	输入样本，浮点矩阵
结果	可选的输出 \( nSamples \times nClusters\) 结果矩阵。它包含输入中每个样本的后验概率。
flags	此参数将被忽略

实现了 cv::ml::StatModel。

此函数的调用图如下

◆ predict2()

virtual Vec2d cv::ml::EM::predict2	(	InputArray	sample,
		OutputArray	probs ) const

纯虚函数

Python
	cv.ml.EM.predict2(	sample[, probs]	) ->	retval, probs

返回给定样本的似然对数值和最可能混合分量的索引。

参数

sample	用于分类的样本。它应该是一个 \(1 \times dims\) 或 \(dims \times 1\) 大小的单通道矩阵。
probs	可选的输出矩阵，包含给定样本的每个分量的后验概率。它的大小为 \(1 \times nclusters\) 且类型为 CV_64FC1。

该方法返回一个包含两个元素的双精度向量。零元素是样本的似然对数值。第一个元素是给定样本最可能混合分量的索引。

◆ setClustersNumber()

virtual void cv::ml::EM::setClustersNumber ( int val )

纯虚函数

Python
	cv.ml.EM.setClustersNumber(	val	) ->	无

另请参见: getClustersNumber

◆ setCovarianceMatrixType()

virtual void cv::ml::EM::setCovarianceMatrixType ( int val )

纯虚函数

Python
	cv.ml.EM.setCovarianceMatrixType(	val	) ->	无

另请参见: getCovarianceMatrixType

◆ setTermCriteria()

virtual void cv::ml::EM::setTermCriteria ( const TermCriteria & val )

纯虚函数

Python
	cv.ml.EM.setTermCriteria(	val	) ->	无

另请参见: getTermCriteria

◆ trainE()

virtual bool cv::ml::EM::trainE	(	InputArray	samples,
		InputArray	means0,
		InputArray	covs0 = noArray(),
		InputArray	weights0 = noArray(),
		OutputArray	logLikelihoods = noArray(),
		OutputArray	labels = noArray(),
		OutputArray	probs = noArray() )

纯虚函数

Python
	cv.ml.EM.trainE(	samples, means0[, covs0[, weights0[, logLikelihoods[, labels[, probs]]]]]	) ->	retval, logLikelihoods, labels, probs

从样本集估计高斯混合参数。

此变体从期望步开始。您需要提供混合分量的初始均值 \(a_k\)。可选地，您可以传递混合分量的初始权重 \(\pi_k\) 和协方差矩阵 \(S_k\)。

参数

samples	将估计高斯混合模型的样本。它应该是一个单通道矩阵，每行是一个样本。如果矩阵不是 CV_64F 类型，它将被转换为该类型的内部矩阵以供进一步计算。
means0	混合分量的初始均值 \(a_k\)。它是一个 \(nclusters \times dims\) 大小的单通道矩阵。如果矩阵不是 CV_64F 类型，它将被转换为该类型的内部矩阵以供进一步计算。
covs0	混合分量的初始协方差矩阵 \(S_k\) 的向量。每个协方差矩阵都是一个 \(dims \times dims\) 大小的单通道矩阵。如果矩阵不是 CV_64F 类型，它们将被转换为该类型的内部矩阵以供进一步计算。
weights0	混合分量的初始权重 \(\pi_k\)。它应该是一个 \(1 \times nclusters\) 或 \(nclusters \times 1\) 大小的单通道浮点矩阵。
logLikelihoods	可选的输出矩阵，包含每个样本的似然对数值。它的大小为 \(nsamples \times 1\) 且类型为 CV_64FC1。
labels	每个样本的可选输出“类别标签”：\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\) 且类型为 CV_32SC1。
probs	可选的输出矩阵，包含给定每个样本的每个高斯混合分量的后验概率。它的大小为 \(nsamples \times nclusters\) 且类型为 CV_64FC1。

◆ trainEM()

virtual bool cv::ml::EM::trainEM	(	InputArray	samples,
		OutputArray	logLikelihoods = noArray(),
		OutputArray	labels = noArray(),
		OutputArray	probs = noArray() )

纯虚函数

Python
	cv.ml.EM.trainEM(	samples[, logLikelihoods[, labels[, probs]]]	) ->	retval, logLikelihoods, labels, probs

从样本集估计高斯混合参数。

此变体从期望步开始。模型参数的初始值将通过 k-means 算法估计。

与许多 ML 模型不同，EM 是一种无监督学习算法，它不将响应（类别标签或函数值）作为输入。相反，它从输入样本集计算高斯混合参数的*最大似然估计*，并将所有参数存储在结构中：probs 中的 \(p_{i,k}\)，means 中的 \(a_k\)，covs[k] 中的 \(S_k\)，weights 中的 \(\pi_k\)，并可选地计算每个样本的输出“类别标签”：\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。

训练好的模型可以像其他任何分类器一样用于预测。训练好的模型类似于 NormalBayesClassifier。

参数

samples	将估计高斯混合模型的样本。它应该是一个单通道矩阵，每行是一个样本。如果矩阵不是 CV_64F 类型，它将被转换为该类型的内部矩阵以供进一步计算。
logLikelihoods	可选的输出矩阵，包含每个样本的似然对数值。它的大小为 \(nsamples \times 1\) 且类型为 CV_64FC1。
labels	每个样本的可选输出“类别标签”：\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\) 且类型为 CV_32SC1。
probs	可选的输出矩阵，包含给定每个样本的每个高斯混合分量的后验概率。它的大小为 \(nsamples \times nclusters\) 且类型为 CV_64FC1。

◆ trainM()

virtual bool cv::ml::EM::trainM	(	InputArray	samples,
		InputArray	probs0,
		OutputArray	logLikelihoods = noArray(),
		OutputArray	labels = noArray(),
		OutputArray	probs = noArray() )

纯虚函数

Python
	cv.ml.EM.trainM(	samples, probs0[, logLikelihoods[, labels[, probs]]]	) ->	retval, logLikelihoods, labels, probs

从样本集估计高斯混合参数。

此变体从最大化步开始。您需要提供初始概率 \(p_{i,k}\) 才能使用此选项。

参数

samples	将估计高斯混合模型的样本。它应该是一个单通道矩阵，每行是一个样本。如果矩阵不是 CV_64F 类型，它将被转换为该类型的内部矩阵以供进一步计算。
probs0	概率
logLikelihoods	可选的输出矩阵，包含每个样本的似然对数值。它的大小为 \(nsamples \times 1\) 且类型为 CV_64FC1。
labels	每个样本的可选输出“类别标签”：\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\) 且类型为 CV_32SC1。
probs	可选的输出矩阵，包含给定每个样本的每个高斯混合分量的后验概率。它的大小为 \(nsamples \times nclusters\) 且类型为 CV_64FC1。

此类的文档是从以下文件生成的

opencv2/ml.hpp

公共类型

公共成员函数

静态公共成员函数

附加继承成员

详细描述

成员枚举文档

◆ 匿名枚举

◆ 匿名枚举

◆ 类型

成员函数文档

◆ create()

◆ getClustersNumber()

◆ getCovarianceMatrixType()

◆ getCovs()

◆ getMeans()

◆ getTermCriteria()

◆ getWeights()

◆ load()

◆ predict()

◆ predict2()

◆ setClustersNumber()

◆ setCovarianceMatrixType()

◆ setTermCriteria()

◆ trainE()

◆ trainEM()

◆ trainM()