OpenCV3.3中K-Means聚类接口简介及使用
OpenCV3.3中给出了K-均值聚类(K-Means)的实现，即接口cv::kmeans，接口的声明在include/opencv2/core.hpp文件中，实现在modules/core/src/kmeans.cpp文件中,其中：
下面对此接口中的参数作个简单说明：
(1)、data：为cv::Mat类型，每行代表一个样本，即特征，即mat.cols=特征长度，mat.rows=样本数，数据类型仅支持float；
(2)、K：指定聚类时划分为几类；
(3)、bestLabels：为cv::Mat类型，是一个长度为(样本数，1)的矩阵，即mat.cols=1,mat.rows=样本数；为K-Means算法的结果输出，指定每一个样本聚类到哪一个label中；
(4)、criteria：TermCriteria类，算法进行迭代时终止的条件，可以指定最大迭代次数，也可以指定预期的精度，也可以这两种同时指定；
(5)、attempts：指定K-Means算法执行的次数，每次算法执行的结果是不一样的，选择最好的那次结果输出；
(6)、flags：初始化均值点的方法，目前支持三种：KMEANS_RANDOM_CENTERS、KMEANS_PP_CENTERS、KMEANS_USE_INITIAL_LABELS；
(7)、centers：为cv::Mat类型，输出最终的均值点，mat.cols=特征长度，mat.rols=K.
一般当attempts和TermCriteria中迭代次数值越大时，聚类效果越好。
关于K-Means聚类的简介可以参考： http://blog.csdn.net/fengbingchun/article/details/79276668
以下是从数据集MNIST中提取的40幅图像，0,1,2,3四类各20张，如下图：
关于MNIST的介绍可以参考：http://blog.csdn.net/fengbingchun/article/details/49611549
测试代码如下：
#include "opencv.hpp"
#include <string>
#include <vector>
#include <memory>
#include <algorithm>
#include <opencv2/opencv.hpp>
#include <opencv2/ml.hpp>
#include "common.hpp"/ K-Means ///
int test_opencv_kmeans()
{const std::string image_path{ "E:/GitCode/NN_Test/data/images/digit/handwriting_0_and_1/" };cv::Mat tmp = cv::imread(image_path + "0_1.jpg", 0);CHECK(tmp.data != nullptr && tmp.channels() == 1);const int samples_number{ 80 }, every_class_number{ 20 }, categories_number{ samples_number / every_class_number};cv::Mat samples_data(samples_number, tmp.rows * tmp.cols, CV_32FC1);cv::Mat labels(samples_number, 1, CV_32FC1);float* p1 = reinterpret_cast<float*>(labels.data);for (int i = 1; i <= every_class_number; ++i) {static const std::vector<std::string> digit{ "0_", "1_", "2_", "3_" };CHECK(digit.size() == categories_number);static const std::string suffix{ ".jpg" };for (int j = 0; j < categories_number; ++j) {std::string image_name = image_path + digit[j] + std::to_string(i) + suffix;cv::Mat image = cv::imread(image_name, 0);CHECK(!image.empty() && image.channels() == 1);image.convertTo(image, CV_32FC1);image = image.reshape(0, 1);tmp = samples_data.rowRange((i - 1) * categories_number + j, (i - 1) * categories_number + j + 1);image.copyTo(tmp);p1[(i - 1) * categories_number + j] = j;}}const int K{ 4 }, attemps{ 100 };const cv::TermCriteria term_criteria = cv::TermCriteria(cv::TermCriteria::EPS + cv::TermCriteria::COUNT, 100, 0.01);cv::Mat labels_, centers_;double value = cv::kmeans(samples_data, K, labels_, term_criteria, attemps, cv::KMEANS_RANDOM_CENTERS, centers_);fprintf(stdout, "K = %d, attemps = %d, iter count = %d, compactness measure = %f\n",K, attemps, term_criteria.maxCount, value);CHECK(labels_.rows == samples_number);int* p2 = reinterpret_cast<int*>(labels_.data);for (int i = 1; i <= every_class_number; ++i) {for (int j = 0; j < categories_number; ++j) {fprintf(stdout, " %d ", *p2++);}fprintf(stdout, "\n");}return 0;
}执行结果如下：下图中每一列表示期望是同一个label。
GitHub： https://github.com/fengbingchun/NN_Test
相关文章：
一文读懂对抗机器学习Universal adversarial perturbations | CSDN博文精选
作者 | Icoding_F2014来源 | CSDN博客本文提出一种 universal 对抗扰动，universal 是指同一个扰动加入到不同的图片中，能够使图片被分类模型误分类，而不管图片到底是什么。示意图：形式化的定义：对于d维数据分布 μ&…
Reactor模式与Proactor模式
博主一脚刚踏进分布式的大门（看《分布式Java应用》，如果大家有啥推荐的书欢迎留言~），发现书中对NIO采用的Reactor模式、AIO采用的Proactor模式一笔带过，好奇心趋势我找了一下文章，发现两篇挺不错的文章&…
linux下使profile和.bash_profile立即生效的方法
使profile生效的方法1.source /etc/profile使用.bash_profile生效的方法1 . .bash_profile2 source .bash_profile3 exec bash --login转载于:https://blog.51cto.com/shine20/1436473
吴恩达老师深度学习视频课笔记：多隐含层神经网络公式推导(二分类)
多隐含层神经网络的推导步骤非常类似于单隐含层神经网络的步骤，只不过是多重复几遍。关于单隐含层神经网络公式的推导可以参考： http://blog.csdn.net/fengbingchun/article/details/79370310 逻辑回归是一个浅层模型(shadow model)，或称单层…
Python中的元编程：一个关于修饰器和元类的简单教程
作者 | Saurabh Kukade译者 | 刘畅出品 | AI科技大本营（ID:rgznai100）最近，作者遇到一个非常有趣的概念，它就是用 Python 进行元编程。我想在本文中分享我对该主题的见解。作者希望它可以帮助解决这个问题，因为很多人说…
获取用户电脑的上网IP地址
在项目中经常要获取用户的上网的IP地址，如何获取用户的IP地址，方法很多，现在介绍以下2种。 /// <summary> /// 获取本机在局域网的IP地址 /// </summary> /// <returns></returns> …
数学图形(1.40)T_parameter
不记得在哪搞了个数学公式生成的图形. vertices 1000t from 0 to (2*PI) r 2.0 x r*(5*cos(t) - cos(6*t)) y r*(3*sin(t) - sin(4*t)) 给线加上一维变量的变化,使之变成面: vertices D1:360 D2:21u from 0 to (2*PI) D1 v from 0 to 20 D2x (v2)*cos(u) - cos((v3)*u…
K-均值聚类(K-Means) C++代码实现
K-均值聚类(K-Means)简介可以参考： http://blog.csdn.net/fengbingchun/article/details/79276668 以下是K-Means的C实现，code参考OpenCV 3.3中的cv::kmeans函数，均值点初始化的方法仅支持KMEANS_RANDOM_CENTERS。以下是从数据集MNIST中提取…
让学生网络相互学习，为什么深度相互学习优于传统蒸馏模型？| 论文精读
作者 | Ying Zhang，Tao Xiang等译者 | 李杰出品 | AI科技大本营（ID:rgznai100）蒸馏模型是一种将知识从教师网络（teacher）传递到学生网络（student）的有效且广泛使用的技术。通常来说，…
mac apache 配置
mac系统自带apache这无疑给广大的开发朋友提供了便利，接下来是针对其中的一些说明 一、自带apache相关命令 1. sudo apachectl start 启动服务，需要权限，就是你计算机的password 2. sudo apachectl stop 终止服务 ####3. sudo apachectl rest…
jQuery学习---------认识事件处理
3种事件模型：原始事件模型DOM事件模型IE事件模型原始事件模型（0级事件模型）1、事件处理程序被定义为函数实例，然后绑定到DOM元素事件对象上，实现事件的注册。例子：var btn document.getElementsByTagName(…
C++中的虚函数表介绍
在C语言中,当我们使用基类的引用或指针调用一个虚成员函数时会执行动态绑定。因为我们直到运行时才能知道到底调用了哪个版本的虚函数，所以所有虚函数都必须有定义。通常情况下，如果我们不使用某个函数，则无须为该函数提供定义。但是我们必须…
AI如何赋能金融行业？百度、图灵深视等同台分享技术实践
近日，由BTCMEX举办的金融技术创新研讨会在北京举办。BTCMEX投资人李笑来，AI技术公司TuringPass、百度、美国Apache基金会项目Pulsar、区块链安全公司SlowMist等相关专家参加了此次会议，共同探讨了金融技术在创新方面的现状。 图灵深视副总裁许…
【Win32 API学习]打开可执行文件
在MFC中打开其他可执行文件常用到的方法有：WinExec、ShellExecute、CreatProcess。 1.WinExec WinExec 主要运行EXE文件，用法简单，只有两个参数，前一个指定命令路径，后一个指定窗口显示方式： UINT WinExec(…
支付宝接口使用文档说明 支付宝异步通知
支付宝接口使用文档说明 支付宝异步通知(notify_url)与return_url. 现支付宝的通知有两类。 A服务器通知，对应的参数为notify_url，支付宝通知使用POST方式 B页面跳转通知，对应的参数为return_url，支付宝通知使用GET方式 ÿ…
完全隐藏Master Page Site Actions菜单只有管理员才可以看见
1. 在Master Page Head 增加下面的Style <style type"text/css"> .ms-cui-tt{visibility:hidden;} </style> 2. 增加SPSecurityTrimmedControl <SharePoint:SPRibbonPeripheralContent runat"server" Location"TabRowLeft&qu…
深度学习中的随机梯度下降(SGD)简介
随机梯度下降(Stochastic Gradient Descent, SGD)是梯度下降算法的一个扩展。机器学习中反复出现的一个问题是好的泛化需要大的训练集，但大的训练集的计算代价也更大。机器学习算法中的代价函数通常可以分解成每个样本的代价函数的总和。随着训练集规模增长为数十亿…
推荐系统中的前沿技术研究与落地：深度学习、AutoML与强化学习 | AI ProCon 2019...
整理 | 夕颜出品 | AI科技大本营（ID:rgznai100）个性化推荐算法滥觞于互联网的急速发展，随着国内外互联网公司，如 Netflix 在电影领域，亚马逊、淘宝、京东等在电商领域，今日头条在内容领域的采用和推动&…
运维日志管理系统
因公司数据安全和分析的需要，故调研了一下 GlusterFS lagstash elasticsearch kibana 3 redis 整合在一起的日志管理应用：安装，配置过程，使用情况等续一，glusterfs分布式文件系统部署：说明…
NLP学习思维导图，非常的全面和清晰
作者 | Tae Hwan Jung & Kyung Hee编译 | ronghuaiyang【导读】Github上有人整理了NLP的学习路线图（思维导图），非常的全面和清晰，分享给大家。先奉上GitHub地址：https://github.com/graykode/nlp-roadmapnlp-roadm…
Go在windows10 64位上安装过程
1. 从 https://golang.org/dl/ 下载最新的发布版本go1.10即go1.10.windows-amd64.msi; 2. 双击go1.10.windows-amd64.msi ,使用默认选项，默认会安装到C:\Go目录下； 3. 将C:\Go\bin目录添加到系统环境变量中(默认已自动添加)，此目录下有go.exe…
Windows SharePoint Services 3.0 应用程序模板
微软发布的一些WSS模板，看了一下，跟以前看到的模板好像不同模板分两类，一类是站点管理模板，一类是服务器管理模板站点管理模板：董事会、业务绩效报告、政府机构案例管理、课堂管理、临床试验启动和管理、竞争性分析站点…
HAProxy+Keepalived高可用负载均衡配置
一、系统环境：系统版本：CentOS5.5 x86_64master_ip:172.20.27.40backup_ip:172.20.27.50 vip:172.20.27.200web_1: 172.20.27.90web_2:172.20.27.100二、haproxy安装：1.首先172.20.27.40安装上安装：1.1安装 tar zxvf haproxy-1.3.…
Go在Ubuntu 14.04 64位上的安装过程
1. 从 https://golang.org/dl/ 或 https://studygolang.com/dl 下载最新的发布版本go1.10即go1.10.linux-amd64.tar.gz； 2. 将下载的tar包解压缩到/usr/local目录下，执行以下命令，结果如下： $ sudo tar -C /usr/local -xzf go1.…
毕业就拿阿里offer，你和他比差在哪？
我在大学的时候，真的遇到一个神人，叫他小马吧。超前学习。1024，是程序员的节日，恰逢CSDN的20周年，我们准备为你做件大事！我们与AI博士唐宇迪、畅销书作家、北大硕士阿甘等4位老师，共同为大家带来…
04号团队-团队任务5:项目总结会
1.团队信息 团队序号：04 开发项目：北软毕设管理系统 整理人：丛云聪 学号：2017035107185 在团队中的职务：项目经理兼产品经理 2.代码仓库地址 主仓库：https://gitee.com/The_Old_Cousin/StuInfoManage…
微软职位内部推荐-Sr SDE for Win Apps Ecosystem
微软近期Open的职位:Job posting title: Senior Software Design EngineerLocation: China, BeijingLevel: 63Division: Operations System Group EngineeringGroup OverviewOSG is delivering flagship products in Microsoft. China is a second largest economy in the worl…
C# Winform 启动和停止进程
启动和停止进程 一、启动进程 方法1： （1） 创建一个Process组件的实例，例如： Process myProcess new Process(); （2） 设置其对应的StartInfo属性，指定要运行的应用程序名…
在Windows/Ubuntu上使用Visual Studio Code作为Go语言编辑器操作步骤
下面以在Windows10上操作为例，在Ubuntu上操作步骤与windows一致： 1. 从 https://code.visualstudio.com/ 下载windows上的最新发布版本1.21.1，即VSCodeSetup-x64-1.21.1.exe； 2. 以管理员身份运行VSCodeSetup-x64-1.21.1.exe&…
实战：基于tensorflow 的中文语音识别模型 | CSDN博文精选
作者 | Pelhans来源 | CSDN博客目前网上关于tensorflow 的中文语音识别实现较少，而且结构功能较为简单。而百度在PaddlePaddle上的 Deepspeech2 实现功能却很强大，因此就做了一次大自然的搬运工把框架转为tensorflow….简介百度开源的基于PaddlePaddle的…