EM算法学习笔记_2(opencv自带EM sample学习)

　　实验说明：

　　在上一讲EM算法学习笔记_1(对EM算法的简单理解) 中已经用通俗的语言简单的介绍了下EM算法，在这一节中就采用opencv自带的一个EM sample来学习下opencv中EM 算法类的使用，顺便也体验下EM 算法的实际应用。

　　环境：Ubuntu12.04+Qt4.8.2+QtCreator2.5+opencv2.4.2

　　在这里需要使用2个与EM算法有关的类，即CvEM和CvEMParams，这2个类在opencv2.4.2已经放入legacy文件夹中了，说明不久就会被淘汰掉，因为在未来的opencv版本中，将采用Algorithm这个公共类来统一接口。不过CvEM和CvEMParams的使用与其类似，且可以熟悉EM算法的使用流程。

　　需要注意的是这2个类虽然是与EM算法有关，可是只能解决GMM问题，比较局限。也许这是将其放在legacy中的原因吧。

 

　　实验流程：

　　首先产生需要聚类的样本数据，我这里采用的是9个混合的二维高斯分布，所以需要被聚类成9类，这些GMM排成3*3的格式，每一格25个点，共225个训练样本。在软件中显示出样本点的分布。

　　用类EM和CvEMParams初始化em和em_params对象。

　　设置EM参数类em_params的各个参数，这里的均值、权值、方差的初始化采用的是kmeans聚类得到的，em_params的参数中需要特别指定的是所聚类类别N（这里等于9）.

　　用这255个数据进行训练EM模型，采用的是CvEM类方法train()函数。

　　把窗口大小500*500内的每个点用训练出来的EM模型进行预测，将预测结果用不同的颜色在软件中画出来。

　　把训练过程中样本的类别标签（程序中保存在label中）在图像中显示出来。

 

　　实验结果：

　　软件界面图：

　　

 

　　按下Gnenrate Data按钮后显示如下：

　　

 

　　按下EM Cluster按钮后显示如下：

　　

 

　　实验代码：

mainwindow.h:

#ifndef MAINWINDOW_H

#define MAINWINDOW_H



#include <QMainWindow>

//#include <vector>

#include <opencv2/core/core.hpp>

#include <opencv2/ml/ml.hpp>

#include <opencv2/highgui/highgui.hpp>

#include <opencv2/legacy/legacy.hpp>



using namespace cv;

using namespace std;

//using std::vector;



namespace Ui {

class MainWindow;

}



class MainWindow : public QMainWindow

{

    Q_OBJECT

    

public:

    explicit MainWindow(QWidget *parent = 0);

    ~MainWindow();



    vector<Scalar> colors;

    

private slots:



    void on_closeButton_clicked();



    void on_generateButton_clicked();



    void on_clusterButton_clicked();



private:

    Ui::MainWindow *ui;



    int nsamples;

    int N, N1;

    Mat img, img1;

    Mat samples, sample_predict;

    Mat labels;

    CvEM em;

    CvEMParams em_params;

};



#endif // MAINWINDOW_H

 

mainwindow.cpp:

#include "mainwindow.h"

#include "ui_mainwindow.h"

#include <QImage>



MainWindow::MainWindow(QWidget *parent) :

    QMainWindow(parent),

    ui(new Ui::MainWindow)

{

    ui->setupUi(this);

    N = 9;

    N1 = (int)sqrt(double(N));

    nsamples = 225;

    img = Mat( Size(500, 500), CV_8UC3 );



    colors.resize(N);

    colors.at(0) = Scalar(0, 255, 255);

    colors.at(1) = Scalar(255, 0, 255);

    colors.at(2) = Scalar(255, 255, 0);

    colors.at(3) = Scalar(255, 0, 0);

    colors.at(4) = Scalar(0, 255, 0);

    colors.at(5) = Scalar(0, 0, 255);

    colors.at(6) = Scalar(255, 100, 100);

    colors.at(7) = Scalar(100, 255, 100);

    colors.at(8) = Scalar(100, 100, 255);



}



MainWindow::~MainWindow()

{

    delete ui;

}





void MainWindow::on_closeButton_clicked()

{

    close();

}



void MainWindow::on_generateButton_clicked()

{

    samples = Mat( nsamples, 2, CV_32FC1);//用来存储产生的二维随机点

    samples = samples.reshape( 2, 0 );//转换成2通道的矩阵,reshape函数只适应而2维图像



    //初始化样本

    for( int i = 0; i < N; i++ )

        {

            Mat sub_samples = samples.rowRange( i*nsamples/N, (i+1)*nsamples/N );

            Scalar mean( (i%N1+1)*img.rows/(N1+1), (i/N1+1)*img.rows/(N1+1));

            Scalar var( 30, 30 );

            randn( sub_samples, mean, var );

        }

    samples = samples.reshape( 1, 0 );



    //显示样本数据

    for( int j = 0; j < nsamples; j++ )

    {

        Point gene_sample;

        gene_sample.x = cvRound(samples.at<float>(j, 0));

        gene_sample.y = cvRound(samples.at<float>(j, 1));

        circle( img, gene_sample, 1, Scalar(0, 255, 250), 1, 8 );

    }

    cvtColor( img, img, CV_BGR2RGB );



    /*Qt中处理图像有4个类，分别为QImage,QPixmap,QBitmap,QPicture.其中QPixmap专门负责在屏幕上显示图片

    的，QImage专门负责和I/O方面的，QBitmap是从QPixmap中继承来的，只负责一个通道的图像处理，QPicture是

    专门用来负责画图的*/

    QImage qimg = QImage( img.data, img.cols, img.rows, QImage::Format_RGB888 );

    //setPixmap为QLabel发出的公共信号,fromImage函数为将图片转换程QPixmap的格式

    ui->imgLabel->setPixmap( QPixmap::fromImage( qimg ) );

}



void MainWindow::on_clusterButton_clicked()

{

    //给EM算法参赛赋值，均值，方差和权值采用kmeans初步聚类得到

    em_params.means = NULL;

    em_params.covs = NULL;

    em_params.weights = NULL;

    em_params.nclusters = N;

    em_params.start_step = CvEM::START_AUTO_STEP;

    em_params.cov_mat_type = CvEM::COV_MAT_SPHERICAL;

    //达到最大迭代次数或者迭代误差小到一定值，应该有系统默认的值

    em_params.term_crit.type = CV_TERMCRIT_ITER | CV_TERMCRIT_EPS;



    cvtColor( img, img, CV_RGB2BGR );



    //EM算法训练过程

    em.train( samples, Mat(), em_params, &labels );



    //画出背景图

    sample_predict = Mat( 1, 2, CV_32FC1 );

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

        for( int j = 0; j < img.cols; j++ )

            {

                sample_predict.at<float>(0) = (float)i;

                sample_predict.at<float>(1) = (float)j;

                int value = cvRound(em.predict( sample_predict ));//返回的value为预测类标签

                circle( img, Point(i, j), 1, 0.1*colors.at(value), 1, 8 );

            }



    //画出样本点的聚类情况

    for( int n = 0; n < nsamples; n++ )

        circle( img, Point(cvRound(samples.at<float>(n, 0)), cvRound(samples.at<float>(n, 1))),

                1, colors.at( labels.at<int>(n)), 1, 8 );//因为此时labels保存的是类标签(1~N)，为整型



    //显示图像

    cvtColor( img, img, CV_BGR2RGB );

    QImage qimg = QImage( img.data, img.cols, img.rows, QImage::Format_RGB888 );

    ui->imgLabel->setPixmap( QPixmap::fromImage(qimg) );





}

 

main.cpp:

#include <QApplication>

#include "mainwindow.h"



int main(int argc, char *argv[])

{

    QApplication a(argc, argv);

    MainWindow w;

    w.show();

    

    return a.exec();

}

 

　　实验总结：

　　要学会数据点产生的类似方法，特别是reshape函数的使用方法。

　　要学会用STL的vector，这个容器要比数组方便很多。

　　要多学点C++的编程思想。

 

 　　附录：工程code下载地址