【opencv】示例-em.cpp 使用OpenCV库通过EM（期望最大化）算法对模拟生成的二维数据进行聚类...

这段C++代码使用了OpenCV库，通过EM（期望最大化）算法对模拟生成的二维数据进行聚类。首先，它会生成含有指定数量（在此代码中为N个）的聚类的二维随机样本，然后用EM算法对这些样本点进行训练，以得到每个点的聚类标签。接着，代码遍历图像中的每一个像素点，使用训练好的EM模型来预测该点的聚类标签，并根据这个标签在图像上画出对应的颜色。最后，所有的样本点都会按它们的聚类标签在图像上用相应颜色标出，然后结果显示出来。这种聚类方法可以用于图像分割、数据分类等多种机器学习场景。

cpp 复制代码

#include "opencv2/highgui.hpp"  // 引入OpenCV的UI界面相关的功能
#include "opencv2/imgproc.hpp"  // 引入OpenCV的图像处理相关功能
#include "opencv2/ml.hpp"       // 引入OpenCV的机器学习相关模块


using namespace cv;            // 使用OpenCV命名空间
using namespace cv::ml;        // 使用OpenCV机器学习模块的命名空间


// 主函数
int main( int /*argc*/, char** /*argv*/ )
{
    const int N = 4;  // 定义常数N，表示聚类的数量
    const int N1 = (int)sqrt((double)N);  // 计算N的平方根并转换为整型，用于后续的样本分配
    const Scalar colors[] =  // 定义一个颜色数组，用于绘制不同的聚类
    {
        Scalar(0,0,255), Scalar(0,255,0),
        Scalar(0,255,255), Scalar(255,255,0)
    };


    int i, j;  // 定义循环变量i和j
    int nsamples = 100;  // 每个聚类的样本数量
    Mat samples( nsamples, 2, CV_32FC1 );  // 定义样本矩阵，两列代表二维数据
    Mat labels;  // 定义标签矩阵
    Mat img = Mat::zeros( Size( 500, 500 ), CV_8UC3 );  // 创建一张空图片，用于绘制结果
    Mat sample( 1, 2, CV_32FC1 );  // 创建单个样本的矩阵


    samples = samples.reshape(2, 0);  // 重新整形样本矩阵 2通道，准备赋值
    for( i = 0; i < N; i++ )  // 遍历每一个聚类
    {
        // 形成训练样本
        Mat samples_part = samples.rowRange(i*nsamples/N, (i+1)*nsamples/N );


        // 计算每个聚类的平均值坐标
        Scalar mean(((i%N1)+1)*img.rows/(N1+1),
                    ((i/N1)+1)*img.rows/(N1+1));
        Scalar sigma(30,30);  // 定义每个聚类的标准差为30
        randn( samples_part, mean, sigma );  // 生成高斯随机样本
    }
    samples = samples.reshape(1, 0);  // 将样本矩阵恢复原形 单通道


    // 对数据进行聚类
    Ptr<EM> em_model = EM::create();  // 创建EM模型
    em_model->setClustersNumber(N);  // 设置聚类数量
    em_model->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL);  // 设置协方差矩阵类型
    em_model->setTermCriteria(TermCriteria(TermCriteria::COUNT+TermCriteria::EPS, 300, 0.1));  // 设置迭代终止条件
    em_model->trainEM( samples, noArray(), labels, noArray() );  // 训练EM模型


    // 对每一个图像像素进行分类
    for( i = 0; i < img.rows; i++ )
    {
        for( j = 0; j < img.cols; j++ )
        {
            sample.at<float>(0) = (float)j;  // 设置当前样本的x坐标
            sample.at<float>(1) = (float)i;  // 设置当前样本的y坐标
            int response = cvRound(em_model->predict2( sample, noArray() )[1]);  // 使用EM模型进行预测
            Scalar c = colors[response];  // 获取对应聚类的颜色


            circle( img, Point(j, i), 1, c*0.75, FILLED );  // 在图像上绘制分类结果
        }
    }


    // 绘制分好类的样本
    for( i = 0; i < nsamples; i++ )
    {
        Point pt(cvRound(samples.at<float>(i, 0)), cvRound(samples.at<float>(i, 1)));  // 获取样本点坐标
        circle( img, pt, 1, colors[labels.at<int>(i)], FILLED );  // 在图像上用对应的颜色圈出样本点
    }


    imshow( "EM-clustering result", img );  // 显示聚类结果
    waitKey(0);  // 等待任意按键退出


    return 0;  // 程序正常退出
}

ini 复制代码

samples = samples.reshape(2, 0);

markdown 复制代码

Mat samples_part = samples.rowRange(i * nsamples / N, (i + 1) * nsamples / N);

go 复制代码

randn(samples_part, mean, sigma);

php 复制代码

em_model->trainEM(samples, noArray(), labels, noArray());  // 训练EM模型

nginx 复制代码

int response = cvRound(em_model->predict2( sample, noArray() )[1]);

go 复制代码

cvRound

The End