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

opencv图像处理之指纹验证的实现

opencv图像处理之指纹验证的实现

《opencv图像处理之指纹验证的实现》本文主要介绍了opencv图像处理之指纹验证的实现,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,需要的朋友们下面随着小编来一起学... 目录一、简介二、具体案例实现1. 图像显示函数2. 指纹验证函数3. 主函数4、运行结果三、总结一、
阅读更多...
SpringBoot实现MD5加盐算法的示例代码

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.
阅读更多...
python+opencv处理颜色之将目标颜色转换实例代码

python+opencv处理颜色之将目标颜色转换实例代码

《python+opencv处理颜色之将目标颜色转换实例代码》OpenCV是一个的跨平台计算机视觉库,可以运行在Linux、Windows和MacOS操作系统上,：本文主要介绍python+ope... 目录下面是代码+ 效果 + 解释转HSV： 关于颜色总是要转HSV的掩膜再标注总结 目标：将红色的部分滤
阅读更多...
Java时间轮调度算法的代码实现

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组（时间轮）和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时
阅读更多...
如何通过Golang的container/list实现LRU缓存算法

如何通过Golang的container/list实现LRU缓存算法

《如何通过Golang的container/list实现LRU缓存算法》文章介绍了Go语言中container/list包实现的双向链表,并探讨了如何使用链表实现LRU缓存,LRU缓存通过维护一个双向... 目录力扣：146. LRU 缓存主要结构 List 和 Element常用方法1. 初始化链表2.
阅读更多...
golang字符串匹配算法解读

golang字符串匹配算法解读

《golang字符串匹配算法解读》文章介绍了字符串匹配算法的原理,特别是Knuth-Morris-Pratt（KMP）算法,该算法通过构建模式串的前缀表来减少匹配时的不必要的字符比较,从而提高效率,在... 目录简介KMP实现代码总结简介字符串匹配算法主要用于在一个较长的文本串中查找一个较短的字符串（称为
阅读更多...
通俗易懂的Java常见限流算法具体实现

通俗易懂的Java常见限流算法具体实现

《通俗易懂的Java常见限流算法具体实现》：本文主要介绍Java常见限流算法具体实现的相关资料,包括漏桶算法、令牌桶算法、Nginx限流和Redis+Lua限流的实现原理和具体步骤,并比较了它们的... 目录一、漏桶算法1.漏桶算法的思想和原理2.具体实现二、令牌桶算法1.令牌桶算法流程:2.具体实现2.1
阅读更多...
Java中的Opencv简介与开发环境部署方法

Java中的Opencv简介与开发环境部署方法

《Java中的Opencv简介与开发环境部署方法》OpenCV是一个开源的计算机视觉和图像处理库,提供了丰富的图像处理算法和工具,它支持多种图像处理和计算机视觉算法,可以用于物体识别与跟踪、图像分割与... 目录1.Opencv简介Opencv的应用2.Java使用OpenCV进行图像操作opencv安装j
阅读更多...
Python中的随机森林算法与实战

Python中的随机森林算法与实战

《Python中的随机森林算法与实战》本文详细介绍了随机森林算法,包括其原理、实现步骤、分类和回归案例,并讨论了其优点和缺点,通过面向对象编程实现了一个简单的随机森林模型,并应用于鸢尾花分类和波士顿房... 目录1、随机森林算法概述2、随机森林的原理3、实现步骤4、分类案例：使用随机森林预测鸢尾花品种4.1
阅读更多...
opencv实现像素统计的示例代码

opencv实现像素统计的示例代码

《opencv实现像素统计的示例代码》本文介绍了OpenCV中统计图像像素信息的常用方法和函数,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1. 统计像素值的基本信息2. 统计像素值的直方图3. 统计像素值的总和4. 统计非零像素的数量
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2