数据的均匀化分割算法(网格划分法、四叉树法(含C++代码))

2024-05-12 01:28

本文主要是介绍数据的均匀化分割算法(网格划分法、四叉树法(含C++代码)),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!

数据的均匀化分割主要是指在分割过程中尽可能均匀地将数据点分布在各个子区域中,以保持数据分布的平衡和优化数据结构的性能。以下是几种可以实现数据均匀化分割的方法:

一. 网格划分法

1. 基本概念

        虽然传统的网格划分法不是动态调整的,但通过设计可以实现均匀的空间分割。例如,可以根据数据点的分布密度来调整网格的划分粒度,使得每个网格单元内包含的数据点数量尽量均匀。

        具体的,二维网格划分是一种对二维空间进行均匀分割的技术,用于将这种空间划分为多个小的、有时是规则的区域或单元,称为“网格”或“格子”。在图像处理中,二维网格划分可以用于将图像划分成小块进行局部分析或并行处理,从而加速图像处理任务如滤波、特征检测等。

2. 示例

  我有一组特征点存储在 std::vector<cv::KeyPoint> 类型的变量 vToDistributeKeys 中。这些特征点位于一张大小为宽1276像素、高378像素的图片上。为了在二维空间上实现点的均匀分布,我需要将图片分割成一个6x6的网格(共36个方块)。在每个方块内,我希望只保留具有最大置信度的特征点,并删除该方块内的其他点。下面是实现这一功能的具体C++代码。

#include <iostream>
#include <vector>
#include <opencv2/core/types.hpp>// 将特征点按网格均匀分布,每个网格只保留置信度最高的特征点
std::vector<cv::KeyPoint> distributeAndFilterKeys(const std::vector<cv::KeyPoint>& keypoints, int width, int height, int gridRows, int gridCols) {// 计算每个网格的尺寸int cellWidth = width / gridCols;int cellHeight = height / gridRows;// 初始化网格,用于存储每个网格的最高置信度的特征点std::vector<std::vector<cv::KeyPoint>> grid(gridRows, std::vector<cv::KeyPoint>(gridCols));// 遍历所有特征点for (const auto& keypoint : keypoints) {int gridX = keypoint.pt.x / cellWidth;int gridY = keypoint.pt.y / cellHeight;// 确保网格索引不越界if (gridX >= gridCols) gridX = gridCols - 1;if (gridY >= gridRows) gridY = gridRows - 1;// 检查当前网格是否已有特征点,或者当前特征点置信度是否更高if (!grid[gridY][gridX].empty() && grid[gridY][gridX][0].response < keypoint.response) {grid[gridY][gridX][0] = keypoint;} else if (grid[gridY][gridX].empty()) {grid[gridY][gridX].push_back(keypoint);}}// 收集所有网格中的最佳特征点std::vector<cv::KeyPoint> filteredKeyPoints;for (int y = 0; y < gridRows; ++y) {for (int x = 0; x < gridCols; ++x) {if (!grid[y][x].empty()) {filteredKeyPoints.push_back(grid[y][x][0]);}}}return filteredKeyPoints;
}int main() {// 假设的特征点数据std::vector<cv::KeyPoint> keypoints = {{cv::Point2f(100, 50), 1.f, -1, 0.8},{cv::Point2f(120, 60), 1.f, -1, 0.9},{cv::Point2f(130, 55), 1.f, -1, 0.95},// 添加更多点以测试};// 图片尺寸和网格配置int width = 1276;int height = 378;int gridRows = 6;int gridCols = 6;// 处理特征点std::vector<cv::KeyPoint> filteredKeyPoints = distributeAndFilterKeys(keypoints, width, height, gridRows, gridCols);// 输出结果for (const auto& kp : filteredKeyPoints) {std::cout << "Keypoint at (" << kp.pt.x << ", " << kp.pt.y << ") with response: " << kp.response << std::endl;}return 0;
}

二. 四叉树均匀化与非极大值抑制结合使用

在实际应用中,可以先对ORB特征点进行四叉树均匀化,然后再对每个子区域内的特征点进行非极大值抑制。这样可以在保证特征点分布均匀性的同时,提高特征点的质量和稳定性,最终得到更优的特征点集合。

1. 四叉树的基本概念

        在图像中,某些区域可能存在大量的特征点,而其他区域可能只有很少的特征点。这种不均匀分布会影响特征点的代表性和匹配效果。

        首先把一幅图案或一个幅面分割成多个分区或者部分。如果某个子区域内的特征点数量少于某个预设阈值,或者已经达到了分割的最小尺度,则这个子区域不再进行分割。如果特征点过于密集,则继续将这个区域分割成四个更小的子区域,并递归地对每个子区域进行同样的分割过程,直至每个子区域内的特征点数量满足预设条件。

        通过控制划分的停止条件(如特征点数量少于阈值、达到最小分割尺寸等),可以在保证足够的特征点总数的同时,让特征点在图像的不同区域内尽可能均匀分布。

        在划分完成后,每个子区域内可能包含多个特征点。为了进一步提高均匀性和代表性,可以在每个子区域内只保留响应值最大的特征点,去除其他的特征点。

2. 非极大值抑制

        非极大值抑制是一种常用的特征点后处理方法,主要用于去除临近区域内响应值较低的特征点,保留局部最大的特征点。其基本原理是,对于每个特征点,检查其周围邻域内是否存在响应值更大的特征点。如果存在,则将当前特征点去除;如果不存在,则保留当前特征点。

3. 示例

      一组特征点存储在 std::vector<cv::KeyPoint> 类型的变量 vToDistributeKeys 中。这些特征点分布在一张宽为1276像素、高为378像素的图片上。要求将图片分割成至少25个区域。

#include <opencv2/opencv.hpp>
#include <vector>
#include <algorithm>// 定义四叉树节点结构体
struct QuadTreeNode {cv::Rect rect;  // 节点代表的区域std::vector<cv::KeyPoint> keypoints;  // 节点内的特征点QuadTreeNode* children[4];  // 子节点指针QuadTreeNode(cv::Rect _rect) : rect(_rect) {for (int i = 0; i < 4; i++) {children[i] = nullptr;}}
};// 递归建立四叉树
void buildQuadTree(QuadTreeNode* node, const std::vector<cv::KeyPoint>& keypoints, int minPoints, int maxLevel, int level) {if (level >= maxLevel || node->keypoints.size() <= minPoints) {return;}// 将当前节点划分为四个子区域int halfWidth = node->rect.width / 2;int halfHeight = node->rect.height / 2;cv::Rect childRects[4] = {cv::Rect(node->rect.x, node->rect.y, halfWidth, halfHeight),cv::Rect(node->rect.x + halfWidth, node->rect.y, halfWidth, halfHeight),cv::Rect(node->rect.x, node->rect.y + halfHeight, halfWidth, halfHeight),cv::Rect(node->rect.x + halfWidth, node->rect.y + halfHeight, halfWidth, halfHeight)};// 为每个子区域创建子节点for (int i = 0; i < 4; i++) {node->children[i] = new QuadTreeNode(childRects[i]);}// 将特征点分配到子节点中for (const auto& keypoint : node->keypoints) {for (int i = 0; i < 4; i++) {if (node->children[i]->rect.contains(keypoint.pt)) {node->children[i]->keypoints.push_back(keypoint);break;}}}// 递归建立子节点的四叉树for (int i = 0; i < 4; i++) {buildQuadTree(node->children[i], node->children[i]->keypoints, minPoints, maxLevel, level + 1);}
}// 非极大值抑制
void nonMaximumSuppression(std::vector<cv::KeyPoint>& keypoints, float radius) {std::vector<cv::KeyPoint> nmsKeypoints;std::sort(keypoints.begin(), keypoints.end(), [](const cv::KeyPoint& a, const cv::KeyPoint& b) {return a.response > b.response;});std::vector<bool> mask(keypoints.size(), true);for (size_t i = 0; i < keypoints.size(); i++) {if (mask[i]) {nmsKeypoints.push_back(keypoints[i]);for (size_t j = i + 1; j < keypoints.size(); j++) {if (cv::norm(keypoints[i].pt - keypoints[j].pt) <= radius) {mask[j] = false;}}}}keypoints = nmsKeypoints;
}// 四叉树均匀化结合非极大值抑制
void quadTreeUniformNMS(std::vector<cv::KeyPoint>& keypoints, int minPoints, int maxLevel, float nmsRadius) {// 创建根节点QuadTreeNode* root = new QuadTreeNode(cv::Rect(0, 0, 1276, 378));root->keypoints = keypoints;// 建立四叉树buildQuadTree(root, keypoints, minPoints, maxLevel, 0);// 对每个叶子节点进行非极大值抑制std::vector<cv::KeyPoint> uniformKeypoints;std::function<void(QuadTreeNode*)> traverseQuadTree = [&](QuadTreeNode* node) {if (node->children[0] == nullptr) {nonMaximumSuppression(node->keypoints, nmsRadius);uniformKeypoints.insert(uniformKeypoints.end(), node->keypoints.begin(), node->keypoints.end());} else {for (int i = 0; i < 4; i++) {traverseQuadTree(node->children[i]);}}};traverseQuadTree(root);keypoints = uniformKeypoints;// 释放内存std::function<void(QuadTreeNode*)> deleteQuadTree = [&](QuadTreeNode* node) {if (node->children[0] != nullptr) {for (int i = 0; i < 4; i++) {deleteQuadTree(node->children[i]);delete node->children[i];}}};deleteQuadTree(root);delete root;
}int main() {std::vector<cv::KeyPoint> vToDistributeKeys;// ... 初始化 vToDistributeKeys ...int minPoints = 1;  // 每个区域最少特征点数量int maxLevel = 5;  // 最大分割层数float nmsRadius = 10.0f;  // 非极大值抑制半径quadTreeUniformNMS(vToDistributeKeys, minPoints, maxLevel, nmsRadius);// ... 使用均匀化后的特征点 vToDistributeKeys ...return 0;
}

这篇关于数据的均匀化分割算法(网格划分法、四叉树法(含C++代码))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/981211

相关文章

Pandas统计每行数据中的空值的方法示例

《Pandas统计每行数据中的空值的方法示例》处理缺失数据(NaN值)是一个非常常见的问题,本文主要介绍了Pandas统计每行数据中的空值的方法示例,具有一定的参考价值,感兴趣的可以了解一下... 目录什么是空值?为什么要统计空值?准备工作创建示例数据统计每行空值数量进一步分析www.chinasem.cn处

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述:为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模

Spring 请求之传递 JSON 数据的操作方法

《Spring请求之传递JSON数据的操作方法》JSON就是一种数据格式,有自己的格式和语法,使用文本表示一个对象或数组的信息,因此JSON本质是字符串,主要负责在不同的语言中数据传递和交换,这... 目录jsON 概念JSON 语法JSON 的语法JSON 的两种结构JSON 字符串和 Java 对象互转

Java的栈与队列实现代码解析

《Java的栈与队列实现代码解析》栈是常见的线性数据结构,栈的特点是以先进后出的形式,后进先出,先进后出,分为栈底和栈顶,栈应用于内存的分配,表达式求值,存储临时的数据和方法的调用等,本文给大家介绍J... 目录栈的概念(Stack)栈的实现代码队列(Queue)模拟实现队列(双链表实现)循环队列(循环数组

C++如何通过Qt反射机制实现数据类序列化

《C++如何通过Qt反射机制实现数据类序列化》在C++工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作,所以本文就来聊聊C++如何通过Qt反射机制实现数据类序列化吧... 目录设计预期设计思路代码实现使用方法在 C++ 工程中经常需要使用数据类,并对数据类进行存储、打印、调试等操作。由于数据类

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

SpringBoot使用GZIP压缩反回数据问题

《SpringBoot使用GZIP压缩反回数据问题》:本文主要介绍SpringBoot使用GZIP压缩反回数据问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录SpringBoot使用GZIP压缩反回数据1、初识gzip2、gzip是什么,可以干什么?3、Spr

Linux下如何使用C++获取硬件信息

《Linux下如何使用C++获取硬件信息》这篇文章主要为大家详细介绍了如何使用C++实现获取CPU,主板,磁盘,BIOS信息等硬件信息,文中的示例代码讲解详细,感兴趣的小伙伴可以了解下... 目录方法获取CPU信息:读取"/proc/cpuinfo"文件获取磁盘信息:读取"/proc/diskstats"文