c++ - OpenCV 1.1 高维空间中的 K-Means 聚类

Question

我正在尝试编写一个包特征系统图像识别系统。该算法的一个步骤是获取大量小图像 block (比如 7x7 或 11x11 像素)并尝试将它们聚类到看起来相似的组中。我从图像中获取我的补丁，将它们转换为灰度浮点图像补丁，然后尝试让 cvKMeans2 为我对它们进行聚类。我认为我在格式化输入数据时遇到问题，以便 KMeans2 返回连贯的结果。我之前曾将 KMeans 用于 2D 和 3D 聚类，但 49D 聚类似乎是另一种野兽。

我一直在获取返回的簇 vector 的垃圾值，所以显然这是一个垃圾输入/垃圾输出类型的问题。此外，对于如此庞大的数据集，该算法的运行速度比我认为的要快得多。

在下面的代码中，直接的 memcpy 只是我最近尝试以正确的格式获取输入数据，我花了一段时间使用内置的 OpenCV 函数，但是当你的基本类型是 CV_32FC(49) 时这很困难。

OpenCV 1.1的KMeans算法能支持这种高维分析吗？

有人知道从图像复制到 K-Means 输入矩阵的正确方法吗？

谁能告诉我一个免费的非 GPL KMeans 算法，我可以改用它？

这不是最好的代码，因为我现在只是想让事情正常工作:

    std::vector<int> DoKMeans(std::vector<IplImage *>& chunks){
 // the size of one image patch, CELL_SIZE = 7
 int chunk_size = CELL_SIZE*CELL_SIZE*sizeof(float);
 // create the input data, CV_32FC(49) is 7x7 float object (I think)
 CvMat* data = cvCreateMat(chunks.size(),1,CV_32FC(49) );


 // Create a temporary vector to hold our data
 // we'll copy into the matrix for KMeans
 int rdsize = chunks.size()*CELL_SIZE*CELL_SIZE;
 float * rawdata = new float[rdsize];

 // Go through each image chunk and copy the 
 // pixel values into the raw data array.
 vector<IplImage*>::iterator iter;
 int k = 0;
 for( iter = chunks.begin(); iter != chunks.end(); ++iter )
 {

  for( int i =0; i < CELL_SIZE; i++)
  {
   for( int j=0; j < CELL_SIZE; j++)
   {
    CvScalar val;
    val = cvGet2D(*iter,i,j);
    rawdata[k] = (float)val.val[0];
    k++;
   }

  }
 }

 // Copy the data into the CvMat for KMeans
 // I have tried various methods, but this is just the latest.
 memcpy( data->data.ptr,rawdata,rdsize*sizeof(float));

 // Create the output array
 CvMat* results = cvCreateMat(chunks.size(),1,CV_32SC1);

 // Do KMeans
 int r = cvKMeans2(data, 128,results, cvTermCriteria(CV_TERMCRIT_EPS+CV_TERMCRIT_ITER, 1000, 0.1));

 // Copy the grouping information to our output vector
 vector<int> retVal;
 for( int y = 0; y < chunks.size(); y++ )
 {
  CvScalar cvs = cvGet1D(results, y);
  int g =  (int)cvs.val[0];
  retVal.push_back(g);
 }

 return retVal;}

提前致谢!

Answer 1

虽然我不熟悉“特征包”，但您是否考虑过使用角检测器和 SIFT 等特征点？