这个答案here是Python
的实现,我从中得到了启发,但是我需要C++
,这个答案非常有效,我想到的是:{{1 }}得到detectAndCompute
,使用keypoints
将它们分割成簇,然后对每个簇对每个kmeans
做matcher->knnMatch
,然后再做其他事情,例如常见的单次检测方法。主要问题是,如何为每个集群的descriptors
进程提供descriptors
?我认为我们应该将与matcher->knnMatch
相对应的其他keypoints
的值设置为0(无用),对吗?
在尝试时遇到了一些问题:
descriptor
的群集数?kmeans
这样的集群创建Mat数组?非常感谢您的帮助!
Mat descriptors_scene_clusters[3] = { Mat(descriptors_scene.rows, descriptors_scene.cols, CV_8U, Scalar(0)) };
答案 0 :(得分:3)
我不知道您的问题的解决方案,但是以下内容可能有助于回答您提出的问题。
在评论中说,您可能需要opencv已经拥有的meanshift
实现。 Here是示例,here文档带有教程。
clusterCount
的{{1}}是您要创建link的群集数。我不知道如何估算您要创建的数量,但我想您可能知道。
您只能使用一个元素来初始化kmeans
:
descriptors_scene_clusters
当您对其进行迭代时:
Mat descriptors_scene_clusters[3] = { Mat(descriptors_scene.rows, descriptors_scene.cols, CV_8U, Scalar(0)) };
for (int i=0; i<labels.rows; i++) {
int clusterIndex = labels.at<int>(i);
Point2f pt = keypoints_scene_points.at<Point2f>(i);
descriptors_scene_clusters[clusterIndex].at<uchar>(pt) = descriptors_scene.at<uchar>(pt); // ?????? error
}
为2,您访问数组中未初始化的元素,结果为clusterIndex
。
我希望这有助于进一步调查!
答案 1 :(得分:1)
您可以使用简单的群集器直接计算群集,查找群集数和/或对kmeans进行群集中心初始化。在此之下,可能是凝聚式群集器的实现,该群集器将靠近指定距离的点组合在一起-参见构造函数中的dist参数。在您的情况下,dist可能是小图像中关键点之间的最大距离。
头文件:
class PointsClusterer {
public:
PointsClusterer (int dist, std::vector <cv::Point2f> points);
bool cluster();
std::map <int, std::vector <cv::Point2f>> getClusters ();
private:
double distance (int i, int j);
void merge (int i, int j);
private:
std::vector <cv::Point2f> m_Points;
std::map <int, std::vector <int>> m_Clusters;
std::map <int, cv::Point2f> m_Sums;
int m_dist = 0;
};
Cpp文件:
PointsClusterer::PointsClusterer (int dist, std::vector <cv::Point2f> points) :
m_dist(dist), m_Points (points)
{}
bool PointsClusterer::cluster()
{
//initialization
for (int i = 0; i < m_Points.size(); ++i)
{
clusters[i] = std::vector<int>(1, i);
sum_clusters[i] = m_Points[i];
}
bool still_merge = true;
//Merge clusters
while (still_merge)
{
still_merge = false;
bool break_i = false;
for (int i=0; i < m_Clusters.size () && !break_i ;++i)
for (int j=i+1; j < m_Clusters.size ();++j)
{
if (distance(i, j) < m_dist)
{
merge(i, j);
break_i = true;
still_merge = true;
break;
}
}
}
//final conversion to std::map <int, std::vector <cv::Point2f>> is missing
}
void PointsClusterer::merge(int i, int j)
{
auto it = m_Clusters.begin();
auto iti = it+i;
auto itj = it+j;
for (val : itj->second)
{
iti->second.push_back(val);
m_Sums[iti->first]+=m_Points[val];
}
m_Clusters.erase(itj);
}
double PointsClusterer::distance(int i, int j)
{
auto it = m_Clusters.begin();
auto iti = it + i;
auto itj = it + j;
auto vali = m_Sums[iti->first] / iti->second.size();
auto valj = m_Sums[itj->first] / itj->second.size();
return cv::norm(vali - valj);
}
群集方法的实现被过分简化,因此很明显它是如何工作的。它的性能可以提高,但是我认为这超出了您的问题范围。