一、像素点聚类
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
#include "opencv2/ml.hpp"
using namespace cv;
using namespace cv::ml;
int main(int /*argc*/, char** /*argv*/)
{
const int N = 4;//4类
const int N1 = (int)sqrt((double)N);
const Scalar colors[] =
{
Scalar(0,0,255), Scalar(0,255,0),
Scalar(0,255,255),Scalar(255,255,0)
};//4种颜色
int i, j;
int nsamples = 100;
Mat samples(nsamples, 2, CV_32FC1);//样本像素点坐标
Mat labels;//标签
Mat img = Mat::zeros(Size(500, 500), CV_8UC3);//背景
Mat sample(1, 2, CV_32FC1);//一个样本
samples = samples.reshape(2, 0);// 单个样本两行
for (i = 0; i < N; i++)
{
// 形成训练样本form the training samples
Mat samples_part = samples.rowRange(i * nsamples / N, (i + 1) * nsamples / N);//取第i个样本的 x，y 地址
Scalar mean(((i % N1) + 1) * img.rows / (N1 + 1),
((i / N1) + 1) * img.rows / (N1 + 1));//x均值和y均值
Scalar sigma(30, 30);//x方差和y方差
randn(samples_part, mean, sigma);//用正态分布的随机数填充数组
}
samples = samples.reshape(1, 0);//单个样本1行
//对数据进行聚类 cluster the data
Ptr<EM> em_model = EM::create();//该类实现期望最大化算法。
em_model->setClustersNumber(N);//设置聚类数
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));
//trainEM函数的功能和kmeans差不多，都是实现自动聚类，输出每个样本对应的标注值。但它比kmeans还多出一个功能，
//就是它还能起到训练分类器的作用，用于后续新样本的预测
em_model->trainEM(samples, noArray(), labels, noArray());//
// 对每个图像像素进行分类classify every image pixel
for (i = 0; i < img.rows; i++)
{
for (j = 0; j < img.cols; j++)
{
sample.at<float>(0) = (float)j;
sample.at<float>(1) = (float)i;
int response = cvRound(em_model->predict2(sample, noArray())[1]);
Scalar c = colors[response];//第response类的颜色
circle(img, Point(j, i), 1, c * 0.75, FILLED);//颜色填充分成的N个区域
}
}
//绘制聚类样本 draw the clustered samples
for (i = 0; i < nsamples; i++)
{
Point pt(cvRound(samples.at<float>(i, 0)), cvRound(samples.at<float>(i, 1)));
circle(img, pt, 1, colors[labels.at<int>(i)], FILLED);
}
imshow("EM-clustering result", img);
waitKey(0);
return 0;
}
机器学习算法之：EM算法
不同于其它的机器学习模型，EM算法是一种非监督的学习算法，它的输入数据事先不需要进行标注。相反，该算法从给定的样本集中，能计算出高斯混和参数的最大似然估计。也能得到每个样本对应的标注值，类似于kmeans聚类（输入样本数据，输出样本数据的标注）。实际上，高斯混和模型GMM和kmeans都是EM算法的应用。
在opencv4.5中,EM算法的函数是trainEM，函数原型为：
bool trainEM(InputArray samples, OutputArray logLikelihoods=noArray(),OutputArray labels=noArray(),OutputArray probs=noArray())
四个参数：
?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。
logLikelihoods: 可选项，输出一个矩阵，里面包含每个样本的似然对数值。
labels： 可选项，输出每个样本对应的标注。
probs: 可选项，输出一个矩阵，里面包含每个隐性变量的后验概率
这个函数没有输入参数的初始化值，是因为它会自动执行kmeans算法，将kmeans算法得到的结果作为参数初始化。
这个trainEM函数实际把E步骤和M步骤都包含进去了，我们也可以对两个步骤分开执行，OPENCV3.0中也提供了分别执行的函数
二、图像聚类，目标检测
fruits.jpg
?
#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>
#include "opencv2/opencv.hpp"
#include <iostream>
using namespace std;
using namespace cv;
using namespace cv::ml;
int main(int argc, char* argv[])
{
const int MAX_CLUSTERS = 5;
Vec3b colorTab[] =
{
Vec3b(0, 0, 255),
Vec3b(0, 255, 0),
Vec3b(255, 100, 100),
Vec3b(255, 0, 255),
Vec3b(0, 255, 255)
};
Mat data, labels;
CommandLineParser parser(argc, argv, "{@input | fruits.jpg | input image}");
//Mat src = imread(samples::findFile(parser.get<String>("@input")));
// Mat pic = imread(samples::findFile("aloeR.jpg"));
Mat pic = imread("C:/Users/cxy/Pictures/Camera Roll/bad0011.bmp");
for (int i = 0; i < pic.rows; i++)
for (int j = 0; j < pic.cols; j++)
{
Vec3b point = pic.at<Vec3b>(i, j);
Mat tmp = (Mat_<float>(1, 3) << point[0], point[1], point[2]);
data.push_back(tmp);
}
int N = 3; //聚成3类
Ptr<EM> em_model = EM::create();
em_model->setClustersNumber(N);
em_model->setCovarianceMatrixType(EM::COV_MAT_SPHERICAL);
em_model->setTermCriteria(TermCriteria(TermCriteria::COUNT + TermCriteria::EPS, 300, 0.1));
em_model->trainEM(data, noArray(), labels, noArray());
int n = 0;
//显示聚类结果，不同的类别用不同的颜色显示
for (int i = 0; i < pic.rows; i++)
for (int j = 0; j < pic.cols; j++)
{
int clusterIdx = labels.at<int>(n);
pic.at<Vec3b>(i, j) = colorTab[clusterIdx];
n++;
}
resize(pic,pic, Size(600,600));
imshow("pic", pic);
waitKey(0);
return 0;
}
?
?aloeR.jpg
垫块
参考：
opencv3中的机器学习算法之：EM算法 - denny402 - 博客园 (cnblogs.com)
https://www.cnblogs.com/denny402/p/5036288.html
PCL：欧式聚类分割_孙 悟 空的博客-CSDN博客_欧式聚类分割https://blog.csdn.net/weixin_46098577/article/details/116129817
