OpenCV（3）ML库-Expectation - Maximization 算法

2024-02-15 00:08
文章标签 算法 opencv ml maximization expectation

本文主要是介绍OpenCV（3）ML库-Expectation - Maximization 算法，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

        最大期望算法（Expectation-maximization algorithm，又译期望最大化算法）在统计中被用于寻找，依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。

在统计计算中，最大期望（EM）算法是在概率（probabilistic）模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variable）。最大期望经常用在机器学习和计算机视觉的数据聚类（Data Clustering）领域。
最大期望算法经过两个步骤交替进行计算：
第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；
第二步是最大化（M），最大化在 E 步上求得的最大似然值来计算参数的值。
M 步上找到的参数估计值被用于下一个 E 步计算中，这个过程不断交替进行。
总体来说，EM的算法流程如下：
1.初始化分布参数
2.重复直到收敛：
E步骤：估计未知参数的期望值，给出当前的参数估计。
M步骤：重新估计分布 参数，以使得数据的似然性最大，给出未知变量的期望估计。 

/****************************************************************************************\
*                              Expectation - Maximization                                *
\****************************************************************************************/struct CV_EXPORTS CvEMParams   //参数设定 EM算法估计混合高斯模型所需要的参数
{CvEMParams() : nclusters(10), cov_mat_type(1/*CvEM::COV_MAT_DIAGONAL*/),start_step(0/*CvEM::START_AUTO_STEP*/), probs(0), weights(0), means(0), covs(0){term_crit=cvTermCriteria( CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 100, FLT_EPSILON );}CvEMParams( int _nclusters, int _cov_mat_type=1/*CvEM::COV_MAT_DIAGONAL*/,int _start_step=0/*CvEM::START_AUTO_STEP*/,CvTermCriteria _term_crit=cvTermCriteria(CV_TERMCRIT_ITER+CV_TERMCRIT_EPS, 100, FLT_EPSILON),const CvMat* _probs=0, const CvMat* _weights=0, const CvMat* _means=0, const CvMat** _covs=0 ) :nclusters(_nclusters), cov_mat_type(_cov_mat_type), start_step(_start_step),probs(_probs), weights(_weights), means(_means), covs(_covs), term_crit(_term_crit){}int nclusters;int cov_mat_type;int start_step;  const CvMat* probs; //初始的后验概率 const CvMat* weights; //初始的各个成分的概率const CvMat* means;   //初始的均值const CvMat** covs;  //初始的协方差矩阵CvTermCriteria term_crit; //E步和M步 迭代停止的准则。 EM算法会在一定的迭代次数之后（term_crit.num_iter)，或者当模型参数在两次迭代之间的变化小于预定值（term_crit.epsilon）时停止
};class CV_EXPORTS CvEM : public CvStatModel //模型设置
{
public:// Type of covariation matricesenum { COV_MAT_SPHERICAL=0, COV_MAT_DIAGONAL=1, COV_MAT_GENERIC=2 };   //// The initial stepenum { START_E_STEP=1, START_M_STEP=2, START_AUTO_STEP=0 };CvEM();CvEM( const CvMat* samples, const CvMat* sample_idx=0,CvEMParams params=CvEMParams(), CvMat* labels=0 );//CvEM (CvEMParams params, CvMat * means, CvMat ** covs, CvMat * weights, CvMat * probs, CvMat * log_weight_div_det, CvMat * inv_eigen_values, CvMat** cov_rotate_mats);virtual ~CvEM();virtual bool train( const CvMat* samples, const CvMat* sample_idx=0,CvEMParams params=CvEMParams(), CvMat* labels=0 );virtual float predict( const CvMat* sample, CvMat* probs ) const;#ifndef SWIGCvEM( const cv::Mat& samples, const cv::Mat& sample_idx=cv::Mat(),CvEMParams params=CvEMParams(), cv::Mat* labels=0 );virtual bool train( const cv::Mat& samples, const cv::Mat& sample_idx=cv::Mat(),CvEMParams params=CvEMParams(), cv::Mat* labels=0 );virtual float predict( const cv::Mat& sample, cv::Mat* probs ) const;
#endifvirtual void clear();int           get_nclusters() const;const CvMat*  get_means()     const;const CvMat** get_covs()      const;const CvMat*  get_weights()   const;const CvMat*  get_probs()     const;inline double         get_log_likelihood     () const { return log_likelihood;     };//    inline const CvMat *  get_log_weight_div_det () const { return log_weight_div_det; };
//    inline const CvMat *  get_inv_eigen_values   () const { return inv_eigen_values;   };
//    inline const CvMat ** get_cov_rotate_mats    () const { return cov_rotate_mats;    };protected:virtual void set_params( const CvEMParams& params,const CvVectors& train_data );virtual void init_em( const CvVectors& train_data );virtual double run_em( const CvVectors& train_data );virtual void init_auto( const CvVectors& samples );virtual void kmeans( const CvVectors& train_data, int nclusters,CvMat* labels, CvTermCriteria criteria,const CvMat* means );CvEMParams params;double log_likelihood;CvMat* means;CvMat** covs;CvMat* weights;CvMat* probs;CvMat* log_weight_div_det;CvMat* inv_eigen_values;CvMat** cov_rotate_mats;
};


循环重复直到收敛 {

      （E步）对于每一个i，计算

                  clip_image074

      （M步）计算

                  clip_image075

#include "stdafx.h"
#include <ml.h>   
#include <iostream>
#include <highgui.h>
#include <cv.h>
#include <cxcore.h> 
using namespace cv; 
using namespace std;int main( int argc, char** argv )
{const int N = 4;const int N1 = (int)sqrt((double)N);const CvScalar colors[] = {{{0,0,255}},{{0,255,0}},{{0,255,255}},{{255,255,0}}};int i, j;int nsamples = 100;CvRNG rng_state = cvRNG(-1);CvMat* samples = cvCreateMat( nsamples, 2, CV_32FC1 );CvMat* labels = cvCreateMat( nsamples, 1, CV_32SC1 );IplImage* img = cvCreateImage( cvSize( 500, 500 ), 8, 3 );float _sample[2];CvMat sample = cvMat( 1, 2, CV_32FC1, _sample );//EM算法初始化CvEM em_model;CvEMParams params;CvMat samples_part;cvReshape( samples, samples, 2, 0 );for( i = 0; i < N; i++ ){CvScalar mean, sigma;// form the training samplescvGetRows( samples, &samples_part, i*nsamples/N, (i+1)*nsamples/N );mean = cvScalar(((i%N1)+1.)*img->width/(N1+1), ((i/N1)+1.)*img->height/(N1+1));sigma = cvScalar(30,30);cvRandArr( &rng_state, &samples_part, CV_RAND_NORMAL, mean, sigma );}cvReshape( samples, samples, 1, 0 );// initialize model's parametersparams.covs      = NULL;params.means     = NULL;params.weights   = NULL;params.probs     = NULL;params.nclusters = N;params.cov_mat_type       = CvEM::COV_MAT_SPHERICAL;params.start_step         = CvEM::START_AUTO_STEP;params.term_crit.max_iter = 10;params.term_crit.epsilon  = 0.1;params.term_crit.type     = CV_TERMCRIT_ITER|CV_TERMCRIT_EPS;// cluster the dataem_model.train( samples, 0, params, labels );#if 0// the piece of code shows how to repeatedly optimize the model// with less-constrained parameters (COV_MAT_DIAGONAL instead of COV_MAT_SPHERICAL)// when the output of the first stage is used as input for the second.CvEM em_model2;params.cov_mat_type = CvEM::COV_MAT_DIAGONAL;params.start_step = CvEM::START_E_STEP;params.means = em_model.get_means();params.covs = (const CvMat**)em_model.get_covs();params.weights = em_model.get_weights();em_model2.train( samples, 0, params, labels );// to use em_model2, replace em_model.predict() with em_model2.predict() below
#endif// classify every image pixelcvZero( img );for( i = 0; i < img->height; i++ ){for( j = 0; j < img->width; j++ ){CvPoint pt = cvPoint(j, i);sample.data.fl[0] = (float)j;sample.data.fl[1] = (float)i;int response = cvRound(em_model.predict( &sample, NULL ));CvScalar c = colors[response];cvCircle( img, pt, 1, cvScalar(c.val[0]*0.75,c.val[1]*0.75,c.val[2]*0.75), CV_FILLED );}}//draw the clustered samplesfor( i = 0; i < nsamples; i++ ){CvPoint pt;pt.x = cvRound(samples->data.fl[i*2]);pt.y = cvRound(samples->data.fl[i*2+1]);cvCircle( img, pt, 1, colors[labels->data.i[i]], CV_FILLED );}cvNamedWindow( "EM-clustering result", 1 );cvShowImage( "EM-clustering result", img );cvWaitKey(0);cvReleaseMat( &samples );cvReleaseMat( &labels );return 0;
}



参考：http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html


    http://zhidao.baidu.com/link?url=12xrCFpWm1U-bYb4V8uxf3uu2ZDTFlwpDzbWe7HjOrNWXdsCQTlA466N78ZUDWP-jFAcVsTQo9JyKW28o86ng_

    http://www.360doc.com/content/13/0624/13/10942270_295158557.shtml

     http://fuliang.iteye.com/blog/1621633

  http://wiki.opencv.org.cn/index.php/%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E4%B8%AD%E6%96%87%E5%8F%82%E8%80%83%E6%89%8B%E5%86%8C#CvEMParams

     http://www.seas.upenn.edu/~bensapp/opencvdocs/ref/opencvref_ml.htm#ch_em

     http://hi.baidu.com/darkhorse/item/cc58043eb19800159dc65e70

这篇关于OpenCV（3）ML库-Expectation - Maximization 算法的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/709958。

相关文章

使用Python和OpenCV库实现实时颜色识别系统

使用Python和OpenCV库实现实时颜色识别系统

《使用Python和OpenCV库实现实时颜色识别系统》：本文主要介绍使用Python和OpenCV库实现的实时颜色识别系统,这个系统能够通过摄像头捕捉视频流,并在视频中指定区域内识别主要颜色（红... 目录一、引言二、系统概述三、代码解析1. 导入库2. 颜色识别函数3. 主程序循环四、HSV色彩空间详解
阅读更多...
OpenCV实现实时颜色检测的示例

OpenCV实现实时颜色检测的示例

《OpenCV实现实时颜色检测的示例》本文主要介绍了OpenCV实现实时颜色检测的示例,通过HSV色彩空间转换和色调范围判断实现红黄绿蓝颜色检测,包含视频捕捉、区域标记、颜色分析等功能,具有一定的参考... 目录一、引言二、系统概述三、代码解析1. 导入库2. 颜色识别函数3. 主程序循环四、HSV色彩空间
阅读更多...
Python中OpenCV与Matplotlib的图像操作入门指南

Python中OpenCV与Matplotlib的图像操作入门指南

《Python中OpenCV与Matplotlib的图像操作入门指南》：本文主要介绍Python中OpenCV与Matplotlib的图像操作指南,本文通过实例代码给大家介绍的非常详细,对大家的学... 目录一、环境准备二、图像的基本操作1. 图像读取、显示与保存 使用OpenCV操作2. 像素级操作3.
阅读更多...
C/C++中OpenCV 矩阵运算的实现

C/C++中OpenCV 矩阵运算的实现

《C/C++中OpenCV矩阵运算的实现》本文主要介绍了C/C++中OpenCV矩阵运算的实现,包括基本算术运算（标量与矩阵）、矩阵乘法、转置、逆矩阵、行列式、迹、范数等操作,感兴趣的可以了解一下... 目录矩阵的创建与初始化创建矩阵访问矩阵元素基本的算术运算 ➕➖✖️➗矩阵与标量运算矩阵与矩阵运算 (逐元
阅读更多...
C/C++的OpenCV 进行图像梯度提取的几种实现

C/C++的OpenCV 进行图像梯度提取的几种实现

《C/C++的OpenCV进行图像梯度提取的几种实现》本文主要介绍了C/C++的OpenCV进行图像梯度提取的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的... 目录预www.chinasem.cn备知识1. 图像加载与预处理2. Sobel 算子计算 X 和 Y
阅读更多...
C/C++和OpenCV实现调用摄像头

C/C++和OpenCV实现调用摄像头

《C/C++和OpenCV实现调用摄像头》本文主要介绍了C/C++和OpenCV实现调用摄像头,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录准备工作1. 打开摄像头2. 读取视频帧3. 显示视频帧4. 释放资源5. 获取和设置摄像头属性
阅读更多...
c/c++的opencv图像金字塔缩放实现

c/c++的opencv图像金字塔缩放实现

《c/c++的opencv图像金字塔缩放实现》本文主要介绍了c/c++的opencv图像金字塔缩放实现,通过对原始图像进行连续的下采样或上采样操作,生成一系列不同分辨率的图像,具有一定的参考价值,感兴... 目录图像金字塔简介图像下采样 (cv::pyrDown)图像上采样 (cv::pyrUp)C++ O
阅读更多...
c/c++的opencv实现图片膨胀

c/c++的opencv实现图片膨胀

《c/c++的opencv实现图片膨胀》图像膨胀是形态学操作,通过结构元素扩张亮区填充孔洞、连接断开部分、加粗物体,OpenCV的cv::dilate函数实现该操作,本文就来介绍一下opencv图片... 目录什么是图像膨胀？结构元素 (KerChina编程nel)OpenCV 中的 cv::dilate() 函
阅读更多...
qtcreater配置opencv遇到的坑及实践记录

qtcreater配置opencv遇到的坑及实践记录

《qtcreater配置opencv遇到的坑及实践记录》我配置opencv不管是按照网上的教程还是deepseek发现都有些问题,下面是我的配置方法以及实践成功的心得,感兴趣的朋友跟随小编一起看看吧... 目录电脑环境下载环境变量配置qmake加入外部库测试配置我配置opencv不管是按照网上的教程还是de
阅读更多...
使用雪花算法产生id导致前端精度缺失问题解决方案

使用雪花算法产生id导致前端精度缺失问题解决方案

《使用雪花算法产生id导致前端精度缺失问题解决方案》雪花算法由Twitter提出,设计目的是生成唯一的、递增的ID,下面：本文主要介绍使用雪花算法产生id导致前端精度缺失问题的解决方案,文中通过代... 目录一、问题根源二、解决方案1. 全局配置Jackson序列化规则2. 实体类必须使用Long封装类3.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2