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-均值标志 更多...

函数
double	cv::kmeans (InputArray data, int K, InputOutputArray bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray centers=noArray())
	查找簇的中心，并将输入样本围绕簇进行分组。
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

enum cv::KmeansFlags

#include <opencv2/core.hpp>

k-均值标志

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 [Arthur2007] 的 kmeans++ 中心初始化方法。
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它们。对于第二次和以后的尝试，使用随机或半随机中心。使用 KMEANS_*_CENTERS 标志之一来指定确切的方法。

函数文档

kmeans()

double cv::kmeans	(	InputArray	data,
		int	输入的相机内参矩阵。,
		InputOutputArray	bestLabels,
		TermCriteria	criteria,
		int	尝试次数,
		int	flags,
		OutputArray	centers = noArray() )

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

#include <opencv2/core.hpp>

查找簇的中心，并将输入样本围绕簇进行分组。

函数 kmeans 实现了一种 k-均值算法，该算法查找 cluster_count 个簇的中心，并将输入样本围绕簇进行分组。作为输出，\(\texttt{bestLabels}_i\) 包含样本矩阵的第 \(i^{th}\) 行中存储的样本的从 0 开始的簇索引。

注意

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

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);
输入的相机内参矩阵。	将集合分割成的簇的数量。
bestLabels	输入/输出整数数组，用于存储每个样本的簇索引。
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。一旦每个簇中心在某些迭代中移动小于 criteria.epsilon，算法就会停止。
尝试次数	标志，用于指定使用不同初始标签执行算法的次数。该算法返回产生最佳紧密度（参见最后一个函数参数）的标签。
flags	可以采用 cv::KmeansFlags 值的标志
输出检测到的中心点数组。	簇中心的输出矩阵，每个簇中心一行。

返回

该函数返回紧密度度量，计算公式为

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

在每次尝试之后。选择最佳（最小）值，函数返回相应的标签和紧密度值。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）的聚类。

此函数的调用图如下

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。

通用函数 partition 实现了一种 \(O(N^2)\) 算法，用于将 \(N\) 个元素的集合分成一个或多个等价类，如 http://en.wikipedia.org/wiki/Disjoint-set_data_structure 中所述。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] 都是 vec[i] 的从 0 开始的簇索引。
predicate	等价谓词（指向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）。当元素肯定在同一个类中时，谓词返回 true，如果它们可能在或可能不在同一个类中，则返回 false。