(五五)OpenCV图像分割图像分割_03_GMM(高斯混合模型高斯混合模型)数据分类数据分类_机器机器
学习学习
数据聚类
图像分类
高斯混合模型(GMM)
高斯分布与概率密度分布(PDF)
初始化
跟K-Means相比较,属于软分类(随机概率)
实现方法:期望最大化(E-M)
停止条件:收敛
样本数据训练与预言
#include
#include
using namespace std;
using namespace cv;
using namespace cv::ml;
int main(int argc, char** argv)
{
Mat src(500, 500, CV_8UC3);
RNG rng;//随机数产生器
const int MAX_CLUSTERS = 5; //最大聚类数目
Scalar color[] =
{
Scalar(0,0,255),
Scalar(0,255,0),
Scalar(255,0,0),
Scalar(0,255,255),
Scalar(255,0,255),
};
//分类
int clusterCount = rng.uniform(2, MAX_CLUSTERS);
cout << "number of clusters聚类数目 :" << clusterCount << endl;
int sampleCount = rng.uniform(5, 1001);
cout << "number of sampleCount采样点数目 :" << sampleCount << endl;
Mat points(sampleCount, 2, CV_32FC1);//存放样本点//2维
//Mat centers(clusterCount, 1, points.type());//用来存储聚类后的中心点
Mat labels;//标注
// 生成随机数
for (int i = 0; i < clusterCount; i++)
{
Point center;//均匀随机产生初始化聚类中心
center.x = rng.uniform(0, src.cols);
center.y = rng.uniform(0, src.rows);
Mat pointChunk = points.rowRange(i * sampleCount / clusterCount,
i == clusterCount - 1 ? sampleCount : (i + 1)*sampleCount / clusterCount);
rng.fill(pointChunk, RNG::NORMAL, Scalar(center.x, center.y), Scalar(src.cols*0.05, src.rows*0.05));
}
randShuffle(points, 1, &rng);//随机打乱points里面的样本点
//GMM高斯混合模型
Ptr em_model = EM::create(); //ml
库中机器学习算法
em_model->setClustersNumber(clusterCount);//
聚成
clusterCount
类
em_model->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL);//
设置协方差矩阵类型
em_model->setTermCriteria(TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 100, 0.1));//
指定要运行算法的最大迭
代次数
//
训练分类器
em_model->trainEM(points, //samples
输入的样本,一个单通道的矩阵。从这个样本中,进行高斯混和模型估计。
评论0