多维空间中的聚类与搜索

详细描述

本节介绍了 OpenCV 与 FLANN 库的接口。FLANN（快速近似最近邻库）是一个包含一系列优化算法的库，用于在大数据集和高维特征中快速搜索最近邻。有关 FLANN 的更多信息可在 [203] 中找到。

类
结构体	cv::flann::CvType< T >
结构体	cv::flann::CvType< char >
结构体	cv::flann::CvType< double >
结构体	cv::flann::CvType< float >
结构体	cv::flann::CvType< short >
结构体	cv::flann::CvType< unsigned char >
结构体	cv::flann::CvType< unsigned short >
类	cv::flann::GenericIndex< Distance >
	FLANN 最近邻索引类。此类使用构建索引的元素类型作为模板。更多...

函数
template<typename Distance >
int	cv::flann::hierarchicalClustering (const Mat &features, Mat &centers, const ::cvflann::KMeansIndexParams &params, Distance d=Distance())
	使用分层 k-means 算法对特征进行聚类。

函数文档

hierarchicalClustering()

template<typename Distance >

int cv::flann::hierarchicalClustering	(	const Mat &	features,
		Mat &	输出检测到的中心点数组。,
		const ::cvflann::KMeansIndexParams &	params,
		Distance	d = Distance() )

#include <opencv2/flann.hpp>

使用分层 k-means 算法对特征进行聚类。

参数

features	要聚类的点。矩阵的元素类型必须为 Distance::ElementType。
输出检测到的中心点数组。	获得的聚类中心。矩阵的类型必须为 Distance::CentersType。此矩阵的行数表示所需的聚类数量，然而，由于分层树中切割点的选择方式，计算出的聚类数量将是 (branching-1)*k+1 形式的最大值，且该值低于所需的聚类数量，其中 branching 是树的分支因子（参见 KMeansIndexParams 的描述）。
params	构建分层 k-means 树时使用的参数。
d	用于聚类的距离。

该方法通过构建分层 k-means 树并选择树中使簇方差最小的切割点来聚类给定的特征向量。它返回找到的簇的数量。

此函数的调用图如下