java.lang.Object
- org.opencv.core.Algorithm
- - org.opencv.ml.StatModel
  - - org.opencv.ml.EM

```
public class EM
extends StatModel
```
该类实现了期望最大化算法。参见：引用：ml_intro_em

字段摘要

字段
修饰符和类型	字段	描述
`static int`	`COV_MAT_DEFAULT`
`static int`	`COV_MAT_DIAGONAL`
`static int`	`COV_MAT_GENERIC`
`static int`	`COV_MAT_SPHERICAL`
`static int`	`DEFAULT_MAX_ITERS`
`static int`	`DEFAULT_NCLUSTERS`
`static int`	`START_AUTO_STEP`
`static int`	`START_E_STEP`
`static int`	`START_M_STEP`

从类 org.opencv.ml.StatModel 继承的字段
COMPRESSED_INPUT, PREPROCESSED_INPUT, RAW_OUTPUT, UPDATE_MODEL

从类继承的字段 org.opencv.core.Algorithm
nativeObj

构造函数摘要

构造函数
修饰符构造函数描述

保护 EM(long addr)

方法摘要

所有方法静态方法实例方法具体方法
修饰符和类型	方法	描述
`static EM`	`__fromPtr__(long addr)`
`static EM`	`create()`	创建空的 %EM 模型。
`int`	`getClustersNumber()`	参见：setClustersNumber
`int`	`getCovarianceMatrixType()`	参见：setCovarianceMatrixType
`void`	`getCovs(java.util.List<Mat> covs)`	返回协方差矩阵返回协方差矩阵的向量。
`Mat`	`getMeans()`	返回聚类中心（高斯混合的均值）返回行数等于混合数、列数等于空间维度数的矩阵。
`TermCriteria`	`getTermCriteria()`	参见：setTermCriteria
`Mat`	`getWeights()`	返回混合权重返回元素数量等于混合数量的向量。
`static EM`	`load(java.lang.String filepath)`	从文件加载并创建序列化的 EM 模型。使用 EM::save 将 EM 模型序列化并存储到磁盘。
`static EM`	`load(java.lang.String filepath, java.lang.String nodeName)`	从文件加载并创建序列化的 EM 模型。使用 EM::save 将 EM 模型序列化并存储到磁盘。
`float`	`predict(Mat samples)`	返回给定样本的后验概率
`float`	`predict(Mat samples, Mat results)`	返回给定样本的后验概率
`float`	`predict(Mat samples, Mat results, int flags)`	返回给定样本的后验概率
`double[]`	`predict2(Mat sample, Mat probs)`	返回给定样本的似然对数和最可能混合分量的索引。
`void`	`setClustersNumber(int val)`	getClustersNumber 参见：getClustersNumber
`void`	`setCovarianceMatrixType(int val)`	getCovarianceMatrixType 参见：getCovarianceMatrixType
`void`	`setTermCriteria(TermCriteria val)`	getTermCriteria 参见：getTermCriteria
`boolean`	`trainE(Mat samples, Mat means0)`	从样本集估计高斯混合参数。
`boolean`	`trainE(Mat samples, Mat means0, Mat covs0)`	从样本集估计高斯混合参数。
`boolean`	`trainE(Mat samples, Mat means0, Mat covs0, Mat weights0)`	从样本集估计高斯混合参数。
`boolean`	`trainE(Mat samples, Mat means0, Mat covs0, Mat weights0, Mat logLikelihoods)`	从样本集估计高斯混合参数。
`boolean`	`trainE(Mat samples, Mat means0, Mat covs0, Mat weights0, Mat logLikelihoods, Mat labels)`	从样本集估计高斯混合参数。
`boolean`	`trainE(Mat samples, Mat means0, Mat covs0, Mat weights0, Mat logLikelihoods, Mat labels, Mat probs)`	从样本集估计高斯混合参数。
`boolean`	`trainEM(Mat samples)`	从样本集估计高斯混合参数。
`boolean`	`trainEM(Mat samples, Mat logLikelihoods)`	从样本集估计高斯混合参数。
`boolean`	`trainEM(Mat samples, Mat logLikelihoods, Mat labels)`	从样本集估计高斯混合参数。
`boolean`	`trainEM(Mat samples, Mat logLikelihoods, Mat labels, Mat probs)`	从样本集估计高斯混合参数。
`boolean`	`trainM(Mat samples, Mat probs0)`	从样本集估计高斯混合参数。
`boolean`	`trainM(Mat samples, Mat probs0, Mat logLikelihoods)`	从样本集估计高斯混合参数。
`boolean`	`trainM(Mat samples, Mat probs0, Mat logLikelihoods, Mat labels)`	从样本集估计高斯混合参数。
`boolean`	`trainM(Mat samples, Mat probs0, Mat logLikelihoods, Mat labels, Mat probs)`	从样本集估计高斯混合参数。

从类 org.opencv.ml.StatModel 继承的方法
calcError, empty, getVarCount, isClassifier, isTrained, train, train, train

从类继承的方法 org.opencv.core.Algorithm
clear, getDefaultName, getNativeObjAddr, save

从类 java.lang.Object 继承的方法
clone, equals, finalize, getClass, hashCode, notify, notifyAll, toString, wait, wait, wait

- 字段详情
  - DEFAULT_NCLUSTERS
```
public static final int DEFAULT_NCLUSTERS
```
    另请参阅
    
    常量字段值
  - DEFAULT_MAX_ITERS
```
public static final int DEFAULT_MAX_ITERS
```
    另请参阅
    
    常量字段值
  - START_E_STEP
```
public static final int START_E_STEP
```
    另请参阅
    
    常量字段值
  - START_M_STEP
```
public static final int START_M_STEP
```
    另请参阅
    
    常量字段值
  - START_AUTO_STEP
```
public static final int START_AUTO_STEP
```
    另请参阅
    
    常量字段值
  - COV_MAT_SPHERICAL
```
public static final int COV_MAT_SPHERICAL
```
    另请参阅
    
    常量字段值
  - COV_MAT_DIAGONAL
```
public static final int COV_MAT_DIAGONAL
```
    另请参阅
    
    常量字段值
  - COV_MAT_GENERIC
```
public static final int COV_MAT_GENERIC
```
    另请参阅
    
    常量字段值
  - COV_MAT_DEFAULT
```
public static final int COV_MAT_DEFAULT
```
    另请参阅
    
    常量字段值
- 构造函数详情
  - EM
```
protected EM(long addr)
```
- 方法详情
  - __fromPtr__
```
public static EM __fromPtr__(long addr)
```
  - getClustersNumber
```
public int getClustersNumber()
```
    参见：setClustersNumber
    
    返回
    
    自动生成
  - setClustersNumber
```
public void setClustersNumber(int val)
```
    getClustersNumber 参见：getClustersNumber
    
    参数
    
    val - 自动生成
  - getCovarianceMatrixType
```
public int getCovarianceMatrixType()
```
    参见：setCovarianceMatrixType
    
    返回
    
    自动生成
  - setCovarianceMatrixType
```
public void setCovarianceMatrixType(int val)
```
    getCovarianceMatrixType 参见：getCovarianceMatrixType
    
    参数
    
    val - 自动生成
  - getTermCriteria
```
public TermCriteria getTermCriteria()
```
    参见：setTermCriteria
    
    返回
    
    自动生成
  - setTermCriteria
```
public void setTermCriteria(TermCriteria val)
```
    getTermCriteria 参见：getTermCriteria
    
    参数
    
    val - 自动生成
  - getWeights
```
public Mat getWeights()
```
    返回混合权重返回元素数量等于混合数量的向量。
    
    返回
    
    自动生成
  - getMeans
```
public Mat getMeans()
```
    返回聚类中心（高斯混合的均值）返回行数等于混合数、列数等于空间维度数的矩阵。
    
    返回
    
    自动生成
  - getCovs
```
public void getCovs(java.util.List<Mat> covs)
```
    返回协方差矩阵返回协方差矩阵的向量。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。
    
    参数
    
    covs - 自动生成
  - predict
```
public float predict(Mat samples,
                     Mat results,
                     int flags)
```
    返回给定样本的后验概率
    
    重写
    
    predict 在类 StatModel 中
    
    参数
    
    samples - 输入样本，浮点矩阵
    
    results - 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
    
    返回
    
    自动生成
  - predict
```
public float predict(Mat samples,
                     Mat results)
```
    返回给定样本的后验概率
    
    重写
    
    predict 在类 StatModel 中
    
    参数
    
    samples - 输入样本，浮点矩阵
    
    results - 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
    
    返回
    
    自动生成
  - predict
```
public float predict(Mat samples)
```
    返回给定样本的后验概率
    
    重写
    
    predict 在类 StatModel 中
    
    参数
    
    samples - 输入样本，浮点矩阵，每个输入样本的后验概率
    
    返回
    
    自动生成
  - predict2
```
public double[] predict2(Mat sample,
                         Mat probs)
```
    返回给定样本的似然对数和最可能混合分量的索引。
    
    参数
    
    sample - 用于分类的样本。它应该是一个单通道矩阵，大小为 \(1 \times dims\) 或 \(dims \times 1\)。
    
    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 \(1 \times nclusters\)，类型为 CV_64FC1。该方法返回一个包含两个元素的双精度向量。第一个元素是样本的似然对数值。第二个元素是给定样本最可能混合分量的索引。
    
    返回
    
    自动生成
  - trainEM
```
public boolean trainEM(Mat samples,
                       Mat logLikelihoods,
                       Mat labels,
                       Mat probs)
```
    从样本集估计高斯混合参数。此变体以期望步骤开始。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*，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 \(\pi_k\)，并可选择为每个样本计算输出“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任何其他分类器一样用于预测。训练好的模型类似于 NormalBayesClassifier。
    
    参数
    
    samples - 用于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进行后续计算。
    
    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 \(nsamples \times 1\)，类型为 CV_64FC1。
    
    labels - 可选的每个样本的输出“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）。它的大小为 \(nsamples \times 1\)，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 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainEM
```
public boolean trainEM(Mat samples,
                       Mat logLikelihoods,
                       Mat labels)
```
    从样本集估计高斯混合参数。此变体以期望步骤开始。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*，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 \(\pi_k\)，并可选择为每个样本计算输出“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任何其他分类器一样用于预测。训练好的模型类似于 NormalBayesClassifier。
    
    参数
    
    samples - 用于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进行后续计算。
    
    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 \(nsamples \times 1\)，类型为 CV_64FC1。
    
    labels - 可选的每个样本的输出“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）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainEM
```
public boolean trainEM(Mat samples,
                       Mat logLikelihoods)
```
    从样本集估计高斯混合参数。此变体以期望步骤开始。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*，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 \(\pi_k\)，并可选择为每个样本计算输出“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任何其他分类器一样用于预测。训练好的模型类似于 NormalBayesClassifier。
    
    参数
    
    samples - 用于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进行后续计算。
    
    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 \(nsamples \times 1\)，类型为 CV_64FC1。\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainEM
```
public boolean trainEM(Mat samples)
```
    从样本集估计高斯混合参数。此变体以期望步骤开始。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*，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 \(\pi_k\)，并可选择为每个样本计算输出“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任何其他分类器一样用于预测。训练好的模型类似于 NormalBayesClassifier。
    
    参数
    
    samples - 用于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进行后续计算。每个样本。它的大小为 \(nsamples \times 1\)，类型为 CV_64FC1。\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0,
                      Mat covs0,
                      Mat weights0,
                      Mat logLikelihoods,
                      Mat labels,
                      Mat probs)
```
    从样本集估计高斯混合参数。此变体以期望步骤开始。您需要提供混合分量的初始均值 \(a_k\)。您可以选择传递混合分量的初始权重 \(\pi_k\) 和协方差矩阵 \(S_k\)。
    
    参数
    
    samples - 用于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进行后续计算。
    
    means0 - 混合分量的初始均值 \(a_k\)。它是一个单通道矩阵，大小为 \(nclusters \times dims\)。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进行后续计算。
    
    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单通道矩阵，大小为 \(dims \times dims\)。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进行后续计算。
    
    weights0 - 混合分量的初始权重 \(\pi_k\)。它应该是一个单通道浮点矩阵，大小为 \(1 \times nclusters\) 或 \(nclusters \times 1\)。
    
    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 \(nsamples \times 1\)，类型为 CV_64FC1。
    
    labels - 可选的每个样本的输出“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）。它的大小为 \(nsamples \times 1\)，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 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0,
                      Mat covs0,
                      Mat weights0,
                      Mat logLikelihoods,
                      Mat labels)
```
    从样本集估计高斯混合参数。此变体以期望步骤开始。您需要提供混合分量的初始均值 \(a_k\)。您可以选择传递混合分量的初始权重 \(\pi_k\) 和协方差矩阵 \(S_k\)。
    
    参数
    
    samples - 用于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进行后续计算。
    
    means0 - 混合分量的初始均值 \(a_k\)。它是一个单通道矩阵，大小为 \(nclusters \times dims\)。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进行后续计算。
    
    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单通道矩阵，大小为 \(dims \times dims\)。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进行后续计算。
    
    weights0 - 混合分量的初始权重 \(\pi_k\)。它应该是一个单通道浮点矩阵，大小为 \(1 \times nclusters\) 或 \(nclusters \times 1\)。
    
    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 \(nsamples \times 1\)，类型为 CV_64FC1。
    
    labels - 可选的每个样本的输出“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）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0,
                      Mat covs0,
                      Mat weights0,
                      Mat logLikelihoods)
```
    从样本集估计高斯混合参数。此变体以期望步骤开始。您需要提供混合分量的初始均值 \(a_k\)。您可以选择传递混合分量的初始权重 \(\pi_k\) 和协方差矩阵 \(S_k\)。
    
    参数
    
    samples - 用于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进行后续计算。
    
    means0 - 混合分量的初始均值 \(a_k\)。它是一个单通道矩阵，大小为 \(nclusters \times dims\)。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进行后续计算。
    
    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单通道矩阵，大小为 \(dims \times dims\)。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进行后续计算。
    
    weights0 - 混合分量的初始权重 \(\pi_k\)。它应该是一个单通道浮点矩阵，大小为 \(1 \times nclusters\) 或 \(nclusters \times 1\)。
    
    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 \(nsamples \times 1\)，类型为 CV_64FC1。\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0,
                      Mat covs0,
                      Mat weights0)
```
    从样本集估计高斯混合参数。此变体以期望步骤开始。您需要提供混合分量的初始均值 \(a_k\)。您可以选择传递混合分量的初始权重 \(\pi_k\) 和协方差矩阵 \(S_k\)。
    
    参数
    
    samples - 用于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进行后续计算。
    
    means0 - 混合分量的初始均值 \(a_k\)。它是一个单通道矩阵，大小为 \(nclusters \times dims\)。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进行后续计算。
    
    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单通道矩阵，大小为 \(dims \times dims\)。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进行后续计算。
    
    weights0 - 混合分量的初始权重 \(\pi_k\)。它应该是一个单通道浮点矩阵，大小为 \(1 \times nclusters\) 或 \(nclusters \times 1\)。每个样本。它的大小为 \(nsamples \times 1\)，类型为 CV_64FC1。\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0,
                      Mat covs0)
```
    从样本集估计高斯混合参数。此变体以期望步骤开始。您需要提供混合分量的初始均值 \(a_k\)。您可以选择传递混合分量的初始权重 \(\pi_k\) 和协方差矩阵 \(S_k\)。
    
    参数
    
    samples - 用于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进行后续计算。
    
    means0 - 混合分量的初始均值 \(a_k\)。它是一个单通道矩阵，大小为 \(nclusters \times dims\)。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进行后续计算。
    
    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单通道矩阵，大小为 \(dims \times dims\)。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进行后续计算。浮点矩阵，大小为 \(1 \times nclusters\) 或 \(nclusters \times 1\)。每个样本。它的大小为 \(nsamples \times 1\)，类型为 CV_64FC1。\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0)
```
    从样本集估计高斯混合参数。此变体以期望步骤开始。您需要提供混合分量的初始均值 \(a_k\)。您可以选择传递混合分量的初始权重 \(\pi_k\) 和协方差矩阵 \(S_k\)。
    
    参数
    
    samples - 用于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进行后续计算。
    
    means0 - 混合分量的初始均值 \(a_k\)。它是一个单通道矩阵，大小为 \(nclusters \times dims\)。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进行后续计算。协方差矩阵是一个单通道矩阵，大小为 \(dims \times dims\)。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进行后续计算。浮点矩阵，大小为 \(1 \times nclusters\) 或 \(nclusters \times 1\)。每个样本。它的大小为 \(nsamples \times 1\)，类型为 CV_64FC1。\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainM
```
public boolean trainM(Mat samples,
                      Mat probs0,
                      Mat logLikelihoods,
                      Mat labels,
                      Mat probs)
```
    从样本集估计高斯混合参数。此变体以最大化步骤开始。您需要提供初始概率 \(p_{i,k}\) 才能使用此选项。
    
    参数
    
    samples - 用于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进行后续计算。
    
    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 \(nsamples \times 1\)，类型为 CV_64FC1。
    
    labels - 可选的每个样本的输出“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）。它的大小为 \(nsamples \times 1\)，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 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainM
```
public boolean trainM(Mat samples,
                      Mat probs0,
                      Mat logLikelihoods,
                      Mat labels)
```
    从样本集估计高斯混合参数。此变体以最大化步骤开始。您需要提供初始概率 \(p_{i,k}\) 才能使用此选项。
    
    参数
    
    samples - 用于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进行后续计算。
    
    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 \(nsamples \times 1\)，类型为 CV_64FC1。
    
    labels - 可选的每个样本的输出“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）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainM
```
public boolean trainM(Mat samples,
                      Mat probs0,
                      Mat logLikelihoods)
```
    从样本集估计高斯混合参数。此变体以最大化步骤开始。您需要提供初始概率 \(p_{i,k}\) 才能使用此选项。
    
    参数
    
    samples - 用于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进行后续计算。
    
    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 \(nsamples \times 1\)，类型为 CV_64FC1。\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - trainM
```
public boolean trainM(Mat samples,
                      Mat probs0)
```
    从样本集估计高斯混合参数。此变体以最大化步骤开始。您需要提供初始概率 \(p_{i,k}\) 才能使用此选项。
    
    参数
    
    samples - 用于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进行后续计算。
    
    probs0 - 概率。每个样本。它的大小为 \(nsamples \times 1\)，类型为 CV_64FC1。\(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（每个样本最可能混合分量的索引）。它的大小为 \(nsamples \times 1\)，类型为 CV_32SC1。给定每个样本的混合分量。它的大小为 \(nsamples \times nclusters\)，类型为 CV_64FC1。
    
    返回
    
    自动生成
  - create
```
public static EM create()
```
    创建空的 %EM 模型。然后应使用 StatModel::train(traindata, flags) 方法训练该模型。另外，您可以使用 EM::train\* 方法之一或使用 Algorithm::load<EM>(filename) 从文件加载它。
    
    返回
    
    自动生成
  - load
```
public static EM load(java.lang.String filepath,
                      java.lang.String nodeName)
```
    从文件加载并创建序列化的 EM 模型。使用 EM::save 将 EM 模型序列化并存储到磁盘。通过调用此函数并指定文件路径，可以再次从该文件加载 EM 模型。可选地指定包含分类器的文件中的节点。
    
    参数
    
    filepath - 序列化 EM 模型的路径
    
    nodeName - 包含分类器的节点的名称
    
    返回
    
    自动生成
  - load
```
public static EM load(java.lang.String filepath)
```
    从文件加载并创建序列化的 EM 模型。使用 EM::save 将 EM 模型序列化并存储到磁盘。通过调用此函数并指定文件路径，可以再次从该文件加载 EM 模型。可选地指定包含分类器的文件中的节点。
    
    参数
    
    filepath - 序列化 EM 模型的路径
    
    返回
    
    自动生成

类 EM

字段摘要

从类 org.opencv.ml.StatModel 继承的字段

从类继承的字段 org.opencv.core.Algorithm

构造函数摘要

方法摘要

从类 org.opencv.ml.StatModel 继承的方法

从类继承的方法 org.opencv.core.Algorithm

从类 java.lang.Object 继承的方法

字段详情

DEFAULT_NCLUSTERS

DEFAULT_MAX_ITERS

START_E_STEP

START_M_STEP

START_AUTO_STEP

COV_MAT_SPHERICAL

COV_MAT_DIAGONAL

COV_MAT_GENERIC

COV_MAT_DEFAULT

构造函数详情

EM

方法详情

__fromPtr__

getClustersNumber

setClustersNumber

getCovarianceMatrixType

setCovarianceMatrixType

getTermCriteria

setTermCriteria

getWeights

getMeans

getCovs

predict

predict

predict

predict2

trainEM

trainEM

trainEM

trainEM

trainE

trainE

trainE

trainE

trainE

trainE

trainM

trainM

trainM

trainM

create

load

load

fromPtr