OpenCV實現最大最小距離聚類演算法

【尊重

】本部落格提供多版本的最大最小距離聚類演算法：《

聚類演算法-最大最小距離演算法(例項+**)

》，提供c++，python，opencv以及matlab版本的最大最小距離聚類演算法的實現

opencv實現最大最小距離聚類演算法

一、最大最小距離演算法基本思想

二、演算法實現步驟

1.c++ opencv實現方法

2.c++，python以及matlab版本

最大最小距離法是模式識別中一種基於試探的類聚演算法，它以歐式距離為基礎，取盡可能遠的物件作為聚類中心。因此可以避免k-means法初值選取時可能出現的聚類種子過於臨近的情況，它不僅能智慧型確定初試聚類種子的個數，而且提高了劃分初試資料集的效率。

該演算法以歐氏距離為基礎，首先初始乙個樣本物件作為第1個聚類中心，再選擇乙個與第1個聚類中心最遠的樣本作為第2個聚類中心，然後確定其他的聚類中心，直到無新的聚類中心產生。最後將樣本按最小距離原則歸入最近的類。

假設有10個模式樣本點：，其樣本分佈如圖所示：

最大最小距離聚類演算法步驟如下：

該演算法的聚類結果與引數和起始點的選取關係重大。若無先驗樣本分佈知識，則只有用試探法通過多次試探優化，若有先驗知識用於指導和選取，則演算法可很快收斂。

為了方便看解計算過程，下面以**的方式列出：

/*計算歐式距離*/

float calcudistance(uchar* ptr, uchar* ptrcen, int cols)

d = sqrt(d);

return d;

}/** @brief 最大最小距離演算法

@param data 輸入樣本資料，每一行為乙個樣本，每個樣本可以存在多個特徵資料

@param theta 閾值，一般設定為0.5，閾值越小聚類中心越多

@param centerindex 聚類中心的下標

@return 返回每個樣本的類別，類別從1開始，0表示未分類或者分類失敗

*/cv::mat maxmindisfun(cv::mat data, float theta, vector¢erindex)

} mindistance = distance.clone();

double minval; double maxval; cv::point minloc; cv::point maxloc;

maxval = maxdistance;

while (maxval > (maxdistance*theta))

} //查詢mindistance中最大值

cv::minmaxloc(mindistance, &minval, &maxval, &minloc, &maxloc);

index = maxloc.y;

} return classes;

}int main()

執行結果：

原始資料data=
[  0,   0;
3,   8;
2,   2;
1,   1;
5,   3;
4,   8;
6,   3;
5,   4;
6,   4;
7,   5]
類別classes=
[1; 2;
1; 1;
3; 2;
3; 3;
3; 3]

請參考鄙人的部落格：《聚類演算法-最大最小距離演算法(例項+**)》

如果你覺得該帖子幫到你，還望貴人多多支援，鄙人會再接再厲，繼續努力的~