当前位置: 首页 > article >正文

Opencv中的直方图(5)计算EMD距离的函数EMD()的使用

  • 操作系统:ubuntu22.04
  • OpenCV版本:OpenCV4.9
  • IDE:Visual Studio Code
  • 编程语言:C++11

算法描述

计算两个加权点配置之间的“最小工作量”距离。

该函数计算地球搬运工距离(Earth Mover’s Distance)和/或两个加权点配置之间距离的下界。其中一个应用如文献 225和 226中所述,是在图像检索中进行多维直方图比较。EMD 是一个运输问题,使用某种修改的单纯形算法来求解,因此最坏情况下的复杂度是指数级的,不过平均而言它要快得多。在真实度量的情况下,下界甚至可以用线性时间算法更快地计算出来,并且它可以用来大致确定两个签名是否足够远,以至于它们不可能关联到同一个对象。

函数原型


float cv::EMD
(
	InputArray 	signature1,
	InputArray 	signature2,	
	int 	distType,
	InputArray 	cost = noArray(),
	float * 	lowerBound = 0,
	OutputArray 	flow = noArray() 
)		

参数

  • 参数signature1 第一个签名,一个大小为 size1 × dims + 1 的浮点矩阵。每一行存储点的权重后跟点的坐标。如果使用用户定义的成本矩阵,则允许该矩阵只有一列(仅权重)。权重必须是非负的,并且至少有一个非零值
  • 参数signature2 第二个签名,格式与 signature1 相同,尽管行数可能不同。总权重可以不同。在这种情况下,会在 signature1 或 signature2 中添加一个额外的“虚拟”点。权重必须是非负的,并且至少有一个非零值。
  • 参数distType 使用的度量。见 DistanceTypes
  • 参数cost 用户定义的大小为 size1 × size2 的成本矩阵。另外,如果使用成本矩阵,则无法计算下界 lowerBound,因为它需要一个度量函数。
  • 参数lowerBound 可选的输入/输出参数:两个签名之间的距离的下界,即质心之间的距离。如果使用用户定义的成本矩阵,点配置的总权重不相等,或者签名只包含权重(签名矩阵只有一列),则下界可能不会被计算。你必须初始化 lowerBound。如果计算得到的质心之间的距离大于或等于 lowerBound(这意味着签名之间的距离足够远),则函数不会计算 EMD。无论如何,返回时 lowerBound 都会被设置为计算得到的质心之间的距离。因此,如果你想同时计算质心之间的距离和 EMD,则应将 lowerBound 设置为 0。
  • 参数flow 结果大小为 size1 × size2 的流矩阵:flow[i,j] 是从 signature1 的第 i 个点到 signature2 的第 j 个点的流。

代码示例

#include <iostream>
#include <opencv2/opencv.hpp>

int main()
{
    // 创建两个加权点配置
    cv::Mat signature1 = ( cv::Mat_< float >( 3, 2 ) << 100, 23, 12,13, 13, 11 );  // 权重和坐标
    cv::Mat signature2 = ( cv::Mat_< float >( 3, 2 ) << 3, 12, 12, 1, 21, 3 );  // 权重和坐标

    // 初始化参数
    int distType = cv::DIST_L2;  // 使用 L2 距离
    cv::Mat flow;                // 流矩阵
    float lowerBound = 0;        // 下界

    // 计算 EMD
    float distance = cv::EMD( signature1, signature2, distType, cv::Mat(), &lowerBound, flow );

    std::cout << "The EMD distance between the two signatures is: " << distance << std::endl;
    std::cout << "The lower bound of the EMD distance is: " << lowerBound << std::endl;
    std::cout << "The flow matrix is: " << std::endl << flow << std::endl;

    return 0;
}

运行结果

在这里插入图片描述


http://www.kler.cn/a/293368.html

相关文章:

  • C 语言 【模拟实现内存库函数】
  • 【操作系统】守护进程
  • PostgreSQL分区表:基础语法与运维实践
  • 建筑施工特种作业人员安全生产知识试题
  • 容器技术在DevOps中的应用
  • 大语言模型:解锁自然语言处理的无限可能
  • 面经学习(hbkj实习)
  • WPF 点在控件内 判断
  • 时序预测 | 基于DLinear+PatchTST多变量时间序列预测模型(pytorch)
  • 把iconfont 图标导出为json
  • rsync搭建全网备份
  • 奥威让您更懂现金流情况
  • 【2024数模国赛赛题思路公开】国赛E题思路丨附可运行代码丨无偿自提
  • CRUD的最佳实践,联动前后端,包含微信小程序,API,HTML等(三)
  • Kubernetes--服务发布(Service、Ingress)
  • ubuntu24.04 为什么扬声器没有声音,但是戴上耳机有声音
  • Docker 配置国内镜像源
  • SpringCloud:构建分布式系统的利器
  • 【全网首发】2024数学建模国赛C题39页word版成品论文【附带py+matlab双版本解题代码+可视化图表】
  • 深度学习基础案例4--构建CNN卷积神经网络实现对猴痘病的识别(测试集准确率86.5%)
  • 【解决bug之路】npm install node-sass(^4.14.1)连环报错解决!!!(Windows)
  • Python 语法糖:让编程更简单
  • redis的持久化RDB和AOF
  • Qt 实战(10)MVD | 10.1、MVD机制详解
  • RabbitMQ 基础架构流程 数据隔离 创建用户
  • 利用深度学习实现验证码识别-2-使用Python导出ONNX模型并在Java中调用实现验证码识别