python opencv3机器学习之EM算法怎么使用

今天小编给大家分享一下python OpenCV3机器学习之EM算法怎么使用的相关知识点，内容详细，逻辑清晰，相信大部分人都还太了解这方面的知识，所以分享这篇文章给大家参考一下，希望大家阅读完这篇文章后有所收获，下面我们一起来了解一下吧。

引言

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opencv3.0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：

bool trainE(InputArray samples, InputArray means0,                        InputArray covs0=noArray(),                        InputArray weights0=noArray(),                        OutputArray logLikelihoods=noArray(),                        OutputArray labels=noArray(),                        OutputArray probs=noArray())

bool trainM(InputArray samples, InputArray probs0,                        OutputArray logLikelihoods=noArray(),                        OutputArray labels=noArray(),                        OutputArray probs=noArray())

 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。

预测函数原型为：

Vec2d predict2(InputArray sample, OutputArray probs) const

sample: 待测样本

probs : 和上面一样，一个可选的输出值，包含每个隐性变量的后验概率

返回一个Vec2d类型的数，包括两个元素的double向量，第一个元素为样本的似然对数值，第二个元素为最大可能混和分量的索引值。

在本文中，我们用两个实例来学习opencv中的EM算法的应用。

一、opencv3.0中自带的例子

既包括聚类trianEM，也包括预测predict2

代码：

#include "stdafx.h"#include "opencv2/opencv.hpp"#include <iOStream>using namespace std;using namespace cv;using namespace cv::ml;//使用EM算法实现样本的聚类及预测int main(){    const int N = 4;    //分成4类    const int N1 = (int)sqrt((double)N);    //定义四种颜色，每一类用一种颜色表示    const Scalar colors[] =    {        Scalar(0, 0, 255), Scalar(0, 255, 0),        Scalar(0, 255, 255), Scalar(255, 255, 0)    };    int i, j;    int nsamples = 100;   //100个样本点    Mat samples(nsamples, 2, CV_32FC1);  //样本矩阵,100行2列，即100个坐标点        Mat img = Mat::zeros(Size(500, 500), CV_8UC3);  //待测数据，每一个坐标点为一个待测数据    samples = samples.reshape(2, 0);    //循环生成四个类别样本数据，共样本100个，每类样本25个    for (i = 0; i < N; i++)    {        Mat samples_part = samples.rowRange(i*nsamples / N, (i + 1)*nsamples / N);        //设置均值        Scalar mean(((i%N1) + 1)*img.rows / (N1 + 1),            ((i / N1) + 1)*img.rows / (N1 + 1));        //设置标准差        Scalar sigma(30, 30);        randn(samples_part, mean, sigma);  //根据均值和标准差，随机生成25个正态分布坐标点作为样本    }    samples = samples.reshape(1, 0);    // 训练分类器    Mat labels;  //标注，不需要事先知道    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(samples, noArray(), labels, noArray());    //对每个坐标点进行分类，并根据类别用不同的颜色画出    Mat sample(1, 2, CV_32FC1);    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;            //predict2返回的是double值，用cvRound进行四舍五入得到整型            //此处返回的是两个值Vec2d，取第二个值作为样本标注            int response = cvRound(em_model->predict2(sample, noArray())[1]);            Scalar c = colors[response];  //为不同类别设定颜色            circle(img, Point(j, i), 1, c*0.75, FILLED);        }    }    //画出样本点    for (i = 0; i < nsamples; i++)    {        Point pt(cvRound(samples.at<float>(i, 0)), cvRound(samples.at<float>(i, 1)));        circle(img, pt, 2, colors[labels.at<int>(i)], FILLED);    }    imshow("EM聚类结果", img);    waiTKEy(0);    return 0;}

结果：

二、trainEM实现自动聚类进行图片目标检测

只用trainEM实现自动聚类功能，进行图片中的目标检测

代码：

#include "stdafx.h"#include "opencv2/opencv.hpp"#include <iostream>using namespace std;using namespace cv;using namespace cv::ml;int main(){    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;    Mat pic = imread("d:/woman.png");    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++;    }    imshow("pic", pic);    waitKey(0);    return 0;}

测试图片

测试结果：

以上就是“Python opencv3机器学习之EM算法怎么使用”这篇文章的所有内容，感谢各位的阅读！相信大家阅读完这篇文章都有很大的收获，小编每天都会为大家更新不同的知识，如果还想学习更多的知识，请关注编程网Python频道。