StupidBeauty
Read times:3166Posted at: - no title specified

OpenCV 2.4.12.0 文档翻译：数组操作,Operations on Arrays

内容目录

abs

absdiff

add

addWeighted

cartToPolar

countNonZero

dct

dft

flip

getOptimalDFTSize

idct

idft

LUT

merge

minMaxIdx

minMaxLoc

mixChannels

norm

normalize

PCA

PCA::PCA

PCA::operator ()

PCA::project

PCA::backProject

perspectiveTransform

phase

polarToCart

RNG

RNG::RNG

RNG::next

RNG::operator T

RNG::operator ()

randShuffle

reduce

scaleAdd

solve

sort

split

theRNG

abs

计算矩阵中每个元素的绝对值。

C++: MatExpr  abs ( const Mat&  m )

C++: MatExpr  abs ( const MatExpr&  e )

参数：

m – 矩阵。

e – 矩阵表达式。

abs 是一个元函数，它会被展开为 absdiff() 或 convertScaleAbs() 的形式：

  • •. C = abs(A-B) ，等价于 absdiff(A, B, C)

  • •. C = abs(A) ，等价于 absdiff(A, Scalar::all(0), C)

  • •. C = Mat_<Vec<uchar,n> >(abs(A*alpha + beta)) ，等价于 convertScaleAbs(A, C, alpha, beta)

输出矩阵， 其尺寸和类型都与输入矩阵一致。不过，最后一种情况是例外，在那种情况下， C 的类型是 depth=CV_8U 。

参考

矩阵表达 式 、 absdiff() 、 convertScaleAbs()

add

计算两个数组或数组与标量之间逐个元素的和。

C++: void  add ( InputArray  src1 , InputArray  src2 , OutputArray  dst , InputArray  mask =noArray(), int  dtype =-1 )

参数：

src1 – 第一个输入数组，或是一个标量。

src2 – 第二个输入数组，或是一个标量。

src – 单个输入数组。

value – 标量值。

dst – 输出数组，其尺寸和通道个数，与输入数组一致；位深按照 dtype 或 src1 / src2 定义。

mask – 可选的操作掩码——8位的单通道数组，指定的是输出数组中要发生改变的那些元素。

dtype – 可选的参数，指定输出数组的位深(参考下文的说明)。

add 这个函数，计算的是：

  • •.如果两个输入数组都具有相同的尺寸和通道个数，则计算两个数组的和：

  • •. 如果 src2 是使用 Scalar 来构造的，或者其元素个数与 src1.channels() 相等，则，计算数组与标量之间的和：

  • •. 如果 src1 是使用 Scalar 来构造的，或者其元素个数与 src2.channels() 相等，则，计算标量与数组之间的和：

    其中 ， I ，是对于数组元素的多维索引。对于 多通道的数组，每个通道都会独立处理。

以上列出的第一个函数，可以使用矩阵表达式来替换：

dst = src1 + src2;

dst += src1; // 等价 于 add(dst, src1, dst);

输入数组 和输出数组，可以拥有相同的位深，也可以拥有不同的位深。例如， 妳可以将一个 16 位的无符号数组与一个 8 位有符号数组相加，并将结果储存在一个 32 位的浮点数数组中。输出数组 的位深，由 dtype 参数决定。 在上面的第二和第三种情况中，当然也包括第一种情况中，如果 src1.depth() == src2.depth() ，则， dtype 可被设置为默认值 -1 。 在这种情况下，输出数组的位深与输入数组的位深相同，即， src1 、 src2 或与二者都相同。

注意

如果数组 的位深为 CV_32S ，则，不会进行饱和 度 计算（Saturation）。 在数值溢出的情况下，妳还可能会得到符号错误的结果值。

参考

subtract() 、 addWeighted() 、 scaleAdd() 、 Mat::convertTo() 、 矩阵表达式

dct

对一维或二维数组，计算其正向或反向的离散余弦变换。

C++: void  dct ( InputArray  src , OutputArray  dst , int  flags =0 )

参数：

src – 输入的浮点数数组。

dst – 输出数组，其尺寸和类型与 src 一致。

flags –

由以下值组成的变换标记位：

DCT_INVERSE 进行一次反向的一维或二维变换。默认是正向变换。

DCT_ROWS 对于输入矩阵中的每一行，进行一次反向或正向变换。利用这个标记位，可以同时对多个向量进行变换，并且，可用来降低在进行三维及更高维变换过 程中的开销(有些时候，这种开销比变换本身的计算量还大数倍)。

dct 这个函数，对于一维或二维浮点数数组，进行一次反向或正向的离散余弦变换(DCT)：

  • •. 对于 有 N 个元素的一维向量，其正向余弦变换为：

    其中

    并且

{ α 0 = 1 ___ α j = 2 j > 0

  • •. 对于有 N 个元素的一维向量，其反向余弦变换为：

    (由于C (N) 是一个正交矩阵，所以C (N) ˙ (C (N) ) T =I)

  • •. 对于一个 M x N 的矩阵，正向的二维余弦变换为：

  • •. 对于 一个 M x N 的矩阵，反向的二维余弦变换为：

这个函数，会根据标志位和输入数组的尺寸来选择对应的操作模式：

  • •. 如果 (flags & DCT_INVERSE) == 0 ，则，这个函数进行一次正向的一维或二维变换。否则， 就进行反向的一维或二维变换。

  • •. 如果 (flags & DCT_ROWS) != 0 ，则，这个函数针对每一行进行一次一维变换。

  • •.如果该数组是单个列或单个行，则，这个函数进行一维变换。

  • •.如果以上条件都不成立，则，这个函数进行二维变换。

注意

目前 ， dct支持偶数尺寸 的数组 (2, 4, 6 ...) 。出于数 据 分析 和逼近的目的，妳可以在必要的情况下向数组中填充空白元素。

并且 ， 此函数的性能，与数组的尺寸有狠大关系，并且并非是单调相关的 (参考 getOptimalDFTSize()  ) 。 在目前的实现中，对于一个尺寸为 N 的向量的离散余弦变换，是通过对于 一个尺寸为 N/2 的向量的离散傅立叶变换（DFT）来计算的。因此 ，最佳的离散余弦变换尺寸， N1 >= N ，可这样计算：

size_t getOptimalDCTSize(size_t N) { return 2 *getOptimalDFTSize((N+ 1)/ 2); }

N1 = getOptimalDCTSize(N);

参考

dft() 、 getOptimalDFTSize() 、 idct()

dft

对于一维或二维的浮点数数组，进行一次正向或反向的离散傅立叶变换。

C++: void  dft ( InputArray  src , OutputArray  dst , int  flags =0, int  nonzeroRows =0 )

参数：

src – 输入数组，可以是实数数组，也可以是复数数组。

dst – 输出数组，其尺寸和类型取决于 flags 。

flags –

变换标志位，代表着以下值的组合：

DFT_INVERSE 进行一次反向的一维或二维变换，而不是默认的正向变换。

DFT_SCALE 对结果进行缩放：将它除以数组元素的个数。一般情况下，这个标志位是与 DFT_INVERSE 配套使用的。

DFT_ROWS 针对输入矩阵中的每一行，进行一次正向或反向变换；利用这个标记位，可以同时对多个向量进行变换，并且，可用来降低在进行三维及更高维变换过程中的开销(有些时候，这种开销比变换本身的计算量还大数倍)。

DFT_COMPLEX_OUTPUT 对一维或二维实数数组进行一次正向变换；尽管其结果是一个复数数组，但是，它具有复共轭对称性（complex-conjugate symmetry (CCS, 参考下文的函数说明以了解细节)），因而，这样的一个数组，可以紧缩存储到一个与输入数组尺寸相同的实数数组中去，这是最快的选项，同时也是此函数的默认行为；然而，妳可能确实想要得到一个完整的复数数组(这样可以更简单地进行光谱分析等等操作)——那么，传入这个标志位，就可以让此函数产生一个完整尺寸的复数输出数组。

DFT_REAL_OUTPUT 对一维或二维复数数组进行一次反向变换；其结果，一般是一个具有相同尺寸的复数数组，然而，如果输入数组本身具有复共轭对称性(例如，它是带 DFT_COMPLEX_OUTPUT 标志位的正向变换的结果)，那么，其输出是一个实数数组；然，此函数本身并不检查输入数组是否是对称的，为此，妳可以传入这个标志位，使得函数假设输入数组具有对称性，于是产生一个实数的输出数组(注意，如果输入数组被紧缩存储为一个实数数组，并且对它执行反向变换，则，此函数会将输入数组当成是一个被紧缩存储的复共轭对称数组，因而其输入内容也是一个实数数组)。

nonzeroRows – 如果这个参数被设置为非零的值，则，此函数会假设只有(在未设置 DFT_INVERSE 的情况下)输入数组中的前 nonzeroRows 行或(在已设置 DFT_INVERSE 的情况下)输出数组中的前 nonzeroRows 行才包含非零值，于是，此函数就能够更有效率地处理剩下的那些行，以节省一些时间；这个技巧，在使用离散傅立叶变换（DFT）计算数组的互相关度（cross-correlation）或卷积时非常有用。

此函数，会进行下列的某一项动作：

  • •. 对于具有 N 个元素的一维向量，进行正向的傅立叶变换：

    其中，

且，

  • •. 对于具有 N 个元素的一维向量，进行反向的傅立叶变换：

    其中

  • •. 对于 一个 M x N 的矩阵，进行正向的二维傅立叶变换：

  • •. 对于 一个 M x N 的矩阵，进行反向的二维傅立叶变换：

对于实数( 单通道 )数据 ，正向傅立叶变换 的输出光谱或反向傅立叶变换的输入光谱，可以 以一种名为复共轭对称（ CCS  (complex-conjugate-symmetrical)）的紧缩格式来表示 。 这种格式，是从英特尔图像处理 库（ IPL (Intel* Image Processing Library) ）借用来的。下面 是二维复共轭对称光谱 的表示：

对于实数向量的一维变换，输出内容类似上面所示矩阵的第一行。

所以，此函数会依据那些标志位及输入数组的尺寸来选择一个操作模式：

  • •. 如果设置 了 DFT_ROWS 标志位，或者输入数组只有 一行或一列，则， 此函数会对矩阵中的每一行进行一次一维的正向或反向变换。否则， 它会进行二维变换。

  • •. 如果输入数组 是实数数组，并且未设置 DFT_INVERSE 标志位， 此函数会进行正向的一维或二维变换：

    • •. 如果设置 了 DFT_COMPLEX_OUTPUT 标志位，则，输出内容 是一个复数矩阵，其尺寸与输入数组相同。

    • •. 如果 未设置 DFT_COMPLEX_OUTPUT 标志位，则，输出内容 是一个实数矩阵，其尺寸与输入数组相同。对于二维变换 ，它会使用上文所说的紧缩格式。对于单独 的一维变换， 其结果类似于上文所展示矩阵中的第一行。对于多 组一维变换 (使用 了 DFT_ROWS 标志 位 ) ，输出矩阵中的每一行都类似于上文所展示矩阵的第一行。

  • •. 如果输入数组 是复数数组，并且， DFT_INVERSE 和 DFT_REAL_OUTPUT 标志位都未设置，则，输出内容 是一个复数数组，其尺寸与输入数组相同。取决 于 DFT_INVERSE 和 DFT_ROWS 标志位的情况，此函数会针对整个输入数组或输入数组中的每一行，进行一次正向或反向的一维或二维变换。

  • •. 如果设置 了 DFT_INVERSE 标志位并且输入数组是实数数组，或者，输入数组 是复数数组但是设置了 DFT_REAL_OUTPUT 标志位， 则，输出内容 是一个实数数组，其尺寸与输入数组相同。取决 于 DFT_INVERSE 和 DFT_ROWS 标志位的情况，此函数会针对整个输入数组或每个单独的输入行，进行一次一维或二维的反向变换。

如果设置 了 DFT_SCALE 标志位，则，会在变换完毕之后进行缩放计算。

与 dct() 不同的是，此函数支持任意尺寸的数组。但是，只有满足 以下条件的数组才能被高效地处理： 其尺寸，可以通过因数分解表示为小素数的 乘 积 (目前 的实现中，支持 2 、 3 和 5) 。 这样的高效离散傅立叶变换尺寸，可以使用 getOptimalDFTSize() 方法来计算。

下面的示例，展示的是，如何针对两个二维实数数组计算出其基于离散傅立叶变换的卷积：

void convolveDFT(InputArray A, InputArray B, OutputArray C)

{

// 必要 的情况下，重新分配输出数组 的空间

C.create(abs(A.rows - B.rows) + 1 , abs(A.cols - B.cols) + 1 , A.type());

Size dftSize;

// 计算离散傅立叶变换 的尺寸

dftSize.width = getOptimalDFTSize(A.cols + B.cols - 1 );

dftSize.height = getOptimalDFTSize(A.rows + B.rows - 1 );

// 分配临时 的缓冲区，并且初始化为 0

Mat tempA(dftSize, A.type(), Scalar :: all( 0 ));

Mat tempB(dftSize, B.type(), Scalar :: all( 0 ));

// 将 A 和 B分别复制 到tempA 和tempB 的左上角

Mat roiA(tempA, Rect( 0 , 0 ,A.cols,A.rows));

A.copyTo(roiA);

Mat roiB(tempB, Rect( 0 , 0 ,B.cols,B.rows));

B.copyTo(roiB);

// 现在 ，对于填充过的A 和B 进行就地变换；

// 利用"nonzeroRows"参数 来加快处理速度

dft(tempA, tempA, 0 , A.rows);

dft(tempB, tempB, 0 , B.rows);

// 对光谱进行乘法计算；

// 这个函数能够狠好地处理紧缩存储的光谱格式

mulSpectrums(tempA, tempB, tempA);

// 将乘积从频率域转换回来。

// 虽然结果 中的所有行都是非零值，

// 但是 ，妳只需要其中的前 C.rows 行，所以 ，

// 传入nonzeroRows == C.rows

dft(tempA, tempA, DFT_INVERSE + DFT_SCALE, C.rows);

// 现在 ，将结果复制回到C 中。

tempA(Rect( 0 , 0 , C.cols, C.rows)).copyTo(C);

// 所有 的临时缓冲区，都会被自动释放。

}

为了对该示例进行优化，考虑以下手段：

  • •. 由于 向正向变换函数中 传入 了 nonzeroRows != 0 参数 ，并且， A 和 B 都被分别复制到了 tempA 和 tempB 的左上角，所以 ，不需要对 tempA 和 tempB 做整个清零操作。 只需要将各个矩阵中 最右边的（ tempA.cols - A.cols  (  tempB.cols - B.cols )）列清零即可。

  • •. 基于离散傅立叶变换 的卷积，并不需要被应用到整个大数组中去，尤其 是，当其中一个数组明显比另一个数组小的时候更是如此。 更高效的处理方式是， 按不同的部分来计算卷积。具体 地， 妳需要将输出数组 C 分割成多个部分。对于每个部分，大致估计 一下需要 A 和 B 中的哪些部分来计算这个输出部分的卷积。如果 C 中的分块太小， 会导致速度降低，因为，会做些重复工作。 在最极端的情况，也就是 C 中的每个分块都是一个像素的情况下， 这个算法会与最笨的卷积方法等价。如果分 块太大，则，临时数组 tempA 和 tempB 都会变得特别大， 这同样会导致速度下降 ，因为 这会降低缓存命中率。 所以，最佳的分块尺寸，是位于中间某个值。

  • •. 如果 C 中的分块可以并行计算，并且，卷积 也按照不同部分来计算的话，则，这个循环可以拆分 成多线程的。

以上的改进，都已经在 matchTemplate() 和 filter2D() 中实现。因此 ，利用 那两个方法， 妳可以获得比上述理论最佳实现更好的性能。 不过，那两个函数实际上计算的是互相关度，而不是卷积，所以 ，妳需要使用 flip() 来将第二个卷积操作数 B 进行竖向和横向的“翻转”。

参考

dct() 、 getOptimalDFTSize() 、 mulSpectrums() 、 filter2D() 、 matchTemplate() 、 flip() 、 cartToPolar() 、 magnitude() 、 phase()

注意

  • •.此处有一个使用离散傅立叶变换的示例：opencv_source_code/samples/cpp/dft.cpp

minMaxIdx

寻找数组中的全局最小值和全局最大值。

C++: void  minMaxIdx ( InputArray  src , double*  minVal , double*  maxVal , int*  minIdx =0, int*  maxIdx =0, InputArray mask =noArray() )

参数：

src – 输入的單通道数组。

minVal – 指向所返回的最小值的指针；不需要这个值则传入 NULL 。

maxVal – 指向所返回的最大值的指针；不需要这个值则传入 NULL 。

minIdx –

指向所返回的最小值位置(以n维的形式来表示)的指针；不需要这个值则传入 NULL ；否则的话，它必须指向一个拥有 src.dims 个元素的数组，最小值在各个维度中的坐标，会依次存储到这个数组中。

注意

如果 minIdx 不为 NULL ，则，它必须最少包含 2 个元素 (对于 maxIdx也是如此 ) ，即使 src 是一个单行或单列的矩阵也是如此。 在 OpenCV 中 ，每个数组最少拥有 2 个维度， 也就是说， 单列的矩阵实际是一个 Mx1 矩阵(因而 ， minIdx / maxIdx 分别 是 (i1,0) / (i2,0) ) ， 而单行的矩阵实际是一个 1xN 矩阵(因而 ， minIdx / maxIdx 分别 是 (0,j1) / (0,j2) ) 。

maxIdx – 指向所返回的最大值位置(以n维的形式来表示)的指针。不需要这个值则传入 NULL 。

minMaxIdx 这个函数，寻找最小元素和最大元素的值和它们的位置。 对极值的寻找，是在整个数组中进行的，或者，如果 mask 不为空，则会在数组中指定的区域寻找。

这个函数，不适用于多通道的数组。如果 妳想要寻找所有通道 的最小值和最大值，则，应当 先使用 Mat::reshape() 来将该数组解释成 单通道数组。或者 ，妳可以使用 extractImageCOI() 、 mixChannels() 或 split() 来提取指定的通道。

对于稀松矩阵，只会在非零元素中寻找最小值。

minMaxLoc

寻找数组中的全局最小值和全局最大值。

C++: void  minMaxLoc ( InputArray  src , double*  minVal , double*  maxVal =0, Point*  minLoc =0, Point*  maxLoc =0, InputArray mask =noArray() )

C++: void  minMaxLoc ( const SparseMat&  a , double*  minVal , double*  maxVal , int*  minIdx =0, int*  maxIdx =0  )

参数：

src – 输入的单通道数组。

minVal – 指向所返回的最小值的指针；不需要这个值则传入 NULL 。

maxVal – 指向所返回的最大值的指针；不需要这个值则传入 NULL 。

minLoc – 指向所返回的最小值位置(以二维的形式来表示)的指针；不需要这个值则传入 NULL 。

maxLoc – 指向所返回的最大值位置(以二维的形式来表示)的指针；不需要这个值则传入 NULL 。

mask – 可选的掩码数组，用来选中一个子数组。

minMaxLoc 这个函数，寻找数组元素中 的 最小值和最大值，以及它们的位置。 对极值的寻找，是在整个数组中进行的，或者，如果 mask 不为空，则会在数组中指定的区域寻找。

这个函数，不适用于多通道的数组。如果 妳想要寻找所有通道 的最小值和最大值，则，应当 先使用 Mat::reshape() 来将该数组解释成 单通道数组。或者 ，妳可以使用 extractImageCOI() 、 mixChannels() 或 split() 来提取指定的通道。

参考

max() 、 min() 、 compare() 、 inRange() 、 extractImageCOI() 、 mixChannels() 、 split() 、 Mat::reshape()

mixChannels

将输入数组中的指定通道复制到输出数组中的指定通道。

C++: void  mixChannels ( const Mat*  src , size_t  nsrcs , Mat*  dst , size_t  ndsts , const int*  fromTo , size_t  npairs )

C++: void  mixChannels ( const vector<Mat>&  src , vector<Mat>&  dst , const int*  fromTo , size_t  npairs )

参数：

src – 输入数组，或由矩阵组成的向量；所有矩阵必须具有相同的尺寸和位深。

nsrcs – src 中矩阵的个数。

dst – 输出数组，或由矩阵组成的向量；所有的矩阵 必须已经 被分配空间 ；它们的尺寸和位深必须与 src[0] 一致。

ndsts – dst 中矩阵的个数。

fromTo – 由索引对组成的数组，指定的是，输入数组中的哪些通道要复制到输出数组的哪些通道中去； fromTo[k*2] 是以0开始的一个索引，对应于 src 中的输入通道， fromTo[k*2+1] 是对应于 dst 中的输出通道的索引；此处会使用连续的通道编号：第一个输入图片的通道，其索引范围是 0 到 src[0].channels()-1 ，第二个输入图片的通道，其索引范围是 src[0].channels() 到 src[0].channels() + src[1].channels()-1 ，如此类推，对于输出图片的通道也采用同样的模式；此处还包含一个特殊情况，如果 fromTo[k*2] 是负数，则，对应的输出通道中，会以零填充。

npairs – fromTo 中索引对的个数。

mixChannels 函数 ，提供了一种用来对图片通道进行混合的高级方法。

split() 、 merge() 以及某些形式的 cvtColor() ，它们都是对应于 mixChannels 的部分工作模式。

在下面的示例中，将一个4通道的RGBA图片分割成一个3通道的BGR(其中R和B通道互换了位置)和一个单独的透明通道图片：

Mat rgba( 100, 100, CV_8UC4, Scalar(1,2,3,4) );

Mat bgr( rgba.rows, rgba.cols, CV_8UC3 );

Mat alpha( rgba.rows, rgba.cols, CV_8UC1 );

// 组合一个矩阵数组，是一项高效的操作，

// 因为，矩阵数据并未被复制，只是复制了数据头

Mat out[] = { bgr, alpha };

// rgba[0] -> bgr[2], rgba[1] -> bgr[1],

// rgba[2] -> bgr[0], rgba[3] -> alpha[0]

int from_to[] = { 0,2, 1,1, 2,0, 3,3 };

mixChannels( &rgba, 1, out, 2, from_to, 4 );

注意

与OpenCV 中许多新风格的 C++函数 （参考介绍小节 和 Mat::create() ）不同的是， mixChannels 要求 ，在调用此函数之前，输出数组必须已经被分配了空间。

参考

split() 、 merge() 、 cvtColor()

normalize

将数组的范数或取值范围归一化。

C++: void  normalize ( InputArray  src , OutputArray  dst , double  alpha =1, double  beta =0, int  norm_type =NORM_L2, int dtype =-1, InputArray  mask =noArray()  )

C++: void  normalize ( const SparseMat&  src , SparseMat&  dst , double  alpha , int  normType )

参数：

src – 输入数组。

dst – 输出数组，与 src 的尺寸相同。

alpha – 要归一化的范数值；或者，对于数值范围的归一化，则表示取值范围的下界。

beta – 对于数值范围的归一化，表示取值范围的上界；对于范数的归一化，此参数无用。

normType – 归一化类型(参考下文的详细说明)。

dtype – 如果为负数，则输出数组的类型与 src 一致；否则，它的通道个数与 src 一致，位深为depth  =CV_MAT_DEPTH(dtype) 。

mask – 可选的操作掩码。

normalize 函数 ，对输入数组中的元素进行缩放及平移，使得 ，当 normType=NORM_INF 、 NORM_L1 或 NORM_L2 时

(对应 地， 其中 ， p=Inf 、 1 或 2) ；或者，当 normType=NORM_MINMAX  ( 只适用于密集型数组 )时，

可选 的掩码，用于指定要对其进行归一化的子数组。 这就意味着，范数或最小最大值是针对该子数组而计算的，因而只有该子数组会被修改以实现归一化。如果 只希望只是使用掩码来计算范数或最小最大值，而对整个数组进行修改，那么，可以使用 norm() 和 Mat::convertTo() 。

对于稀疏矩阵，只有非零值会被分析及变换。出于这个原因，对于稀疏矩阵，是不允许进行范围变换的，因为，它可能会引起零值的偏移。

参考

norm() 、 Mat::convertTo() 、 SparseMat::convertTo()

PCA

class  PCA

主成分分析类。

这个类，用来计算一组向量的某个特殊成分。 该成分由协方差矩阵的特征向量组成，该协方差矩阵又是通过输入的向量集合计算出来的。 PCA 类，还可以用来将向量变换到该成分所定义的新坐标空间中去，或者转换回来。通常情况 下，在这个新的坐标系统中，来自 于原始集合的每个向量 ( 以及这些向量的任意线性组合 ) ，都可以用它的前几个成分来准确的近似表示，这些成分对应于协方差矩阵中最大的特征值组成的特征向量。 从几何方面来看，这意味着，妳计算出了该向量向某个子空间中的投影， 该子空间，是由基于个与协方差矩阵的支配性特征值对应的特征向量形成的。最终 ，这个投影非常接近于原始向量。 这样，对于来自 于某个高维空间中的原始向量，妳可以使用一个短得多的向量来表示，这个短向量，包含了被投影的向量在子空间中的坐标。 这样的变换，也被称作 K-L转换（Karhunen-Loeve Transform），或KLT。参考 http://en.wikipedia.org/wiki/Principal_component_analysis 。

下面的示例中，这个函数，需要两个矩阵作为参数。第一个函数，储存了一组向量(每行是一个向量)，被用于计算主成分分析。第二个函数，储存了另一组用于“测试”的向量(每行是一个向量)。这些向量，首先会被通过主成分分析进行压缩，然后，重构回来，然后，会针对每个向量计算出重构错误值的范数，并且输出。

PCA compressPCA(InputArray pcaset, int maxComponents,

const Mat & testset, OutputArray compressed)

{

PCA pca(pcaset, // 传递数据

Mat(), // 未提供预计算的均值向量，

// 因此 ， 由主成分分析引擎来进行计算

CV_PCA_DATA_AS_ROW, // 表明 ，那些向量是存储在矩阵的行中

// (如果向量 是储存在矩阵的列中，则使用

// CV_PCA_DATA_AS_COL )

maxComponents // 指定 要保留多少个主成分

);

// 如果 未提供测试数据，则，直接返回计算出来的成分， 可立即使用

if ( ! testset.data )

return pca;

CV_Assert( testset.cols == pcaset.cols );

compressed.create(testset.rows, maxComponents, testset.type());

Mat reconstructed;

for ( int i = 0 ; i < testset.rows; i ++ )

{

Mat vec = testset.row(i), coeffs = compressed.row(i);

// 压缩 该向量，其结果会被储存在

// 输出矩阵 的第 i 行中

pca.project(vec, coeffs);

// 然后重构 它

pca.backProject(coeffs, reconstructed);

// 然后计算 出偏差

printf( "%d. diff = %g \n " , i, norm(vec, reconstructed, NORM_L2));

}

return pca;

}

参考

calcCovarMatrix() 、 mulTransposed() 、 SVD 、 dft() 、 dct()

注意

  • •.此处有个示例，使用PCA来进行降维，同时保留一定数量的差异： opencv_source_code/samples/cpp/pca.cpp

PCA::backProject

利用主成分空间中的投影，重构向量。

C++: Mat  PCA:: backProject ( InputArray  vec )  const

C++: void  PCA:: backProject ( InputArray  vec , OutputArray  result )  const

参数：

vec – 向量在主成分子空间中的坐标，其布局和尺寸，与 PCA::project 的输出向量一致。

result – 重构之后的向量；其布局和尺寸，与 PCA::project 的输入向量一致。

这些函数，是 PCA::project() 的反向操作。它们接受投影 后的向量的主成分坐标作为输入，并且据此重构那些原始向量。除非所有 的主成分都被保留了，否则，重构之后的向量会与原始向量不同。但是， 一般情况下，如果成分的个数足够多（但仍然远远小于原始向量的维数），则差异会狠小。 主成分分析的数据会作为结果使用。

solve

解决一个或多个线性系统或最小二乘问题。

C++: bool  solve ( InputArray  src1 , InputArray  src2 , OutputArray  dst , int  flags =DECOMP_LU )

参数：

src1 – 输入矩阵，位于系统的左侧。

src2 – 输入矩阵，位于系统的右侧。

dst – 输出的解。

flags –

计算解(矩阵转化)的方法。

DECOMP_LU 使用高斯消元法，并且选中了最佳的支点元素。

DECOMP_CHOLESKY 乔里斯基 LL T 分解法；矩阵 src1 必须 是对称的，并且其中的元素都必需是正数。

DECOMP_EIG 特征值分解；矩阵 src1 必须是对称的。

DECOMP_SVD 单值分解（singular value decomposition (SVD)）方法；系统可以是过定义的（over-defined）并且/或者矩阵 src1 可以是单一的 （singular）。

DECOMP_QR QR因子分解；系统可以是过定义的（over-defined）并且/或者矩阵 src1 可以是单一的（singular）。

DECOMP_NORMAL 之前的那些标志位都是互斥的，而这个标志位呢，可以与之前的任何一个标志位一同使用；它表示，对归一化方程src1 T ∙ src1 ∙ dst=src1 T src2 进行解决，而不是对原系统src1 ∙ dst=src2进行解决。

solve 函数， 可用来解决一个线性系统的问题，或者 一个最小矩形问题（后者 ，可利用SVD 或QR 方法来解决，或者指定 DECOMP_NORMAL 标志位 ）：

如果使用 了 DECOMP_LU 或 DECOMP_CHOLESKY 方法， 则，当 src1 （或src1Tsrc1） 是非单一的，函数就会返回1。 否则，会返回 0 。 在后一种情况下， dst 无效。其它方法 ，对于左侧是单一的情况，会找到一个假的结果。

注意

如果妳想为欠定义的单一系统 src1 ∙ dst=0 寻找一个统一范数的解 的话，函数 solve 不会起作用。应当使用 SVD::solveZ() 。

参考

invert() 、 SVD 、 eigen()

Your opinions
Your name:Email:Website url:Opinion content:
- no title specified

HxLauncher: Launch Android applications by voice commands

 
Recent comments
2017年4月～2019年4月垃圾短信排行榜Posted at:Thu Sep 26 04:51:48 2024
Qt5.7文档翻译：QWebEngineCookieStore类,QWebEngineCookieStore ClassPosted at:Fri Aug 11 07:03:39 2023无事生非kill -9 18998
Qt5.7文档翻译：QWebEngineCookieStore类,QWebEngineCookieStore ClassPosted at:Fri Aug 11 06:50:35 2023盲盒kill -9 18289 Grebe.20230517.211749.552.mp4