opencv：如何使用kmeans（）按角度聚类

Posted 2023-03-12

【中文标题】opencv：如何使用kmeans（）按角度聚类

【英文标题】：opencv: how to clusterize by angle using kmeans()

【发布时间】：2016-07-05 16:57:21

【问题描述】：

问题是，如何通过角度对某些单元进行聚类？问题是，kmeans 在欧几里得空间距离的概念上运行，不知道角度的周期性。因此，要使其工作，需要将角度转换为欧几里得空间，但要满足以下条件：

近角是欧几里得空间中的近值； 远角在欧几里得空间中很远。

这意味着，90 和 -90 是遥远的值，180 和 -180 是相同的，170 和 -170 是接近的（角度从左上到右：0 - +180，从左下到右：0 - -180)

我尝试使用各种 sin() 函数，但它们都存在第 1 点和第 2 点中提到的问题。大多数观点是 sin(x * 0.5f)，但也有问题，即 180 和 -180 在欧几里得空间中是遥远的值。

【问题讨论】：

最好先发布问题，然后将答案发布为...答案。

他们肯定需要添加发帖功能。

一点也不。这是一个问答网站。如果问题（连同答案）被认为是有价值的，它可以成为社区 wiki 的一部分。现在，对于像你这样的情况，只需考虑我在之前评论中描述的方式是正确的。

Umka，正确的方法是发布一个问题，然后写下你自己的答案。然后您可以接受自己的答案，或者，如果其他答案更好，您可以接受另一个答案。那是你的选择。这样做，您还可以通过对您的回答进行投票来获得代表

顺便说一句，有点冗长...但是干得好；D

【参考方案1】：

我找到的解决方案是将角度转换为圆上的点并将它们输入 kmeans。通过这种方式，我们可以比较点之间的距离，并且效果很好。

值得一提的重要事情。终止标准中的 Kmeans @eps 以您提供给 kmeans 的样本单位表示。在我们的示例中，最大距离点的距离为 200 个单位（2 * 半径）。这意味着拥有 1.0f 完全没问题。如果您在调用kmeans() 之前对您的样品使用cv::normalize(samples, samples, 0.0f, 1.0f)，请适当调整您的@eps。像eps=0.01f 这样的东西在这里玩得更好。

享受吧！希望这对某人有所帮助。

static cv::Point2f angleToPointOnCircle(float angle, float radius, cv::Point2f origin /* center */)

        float x = radius * cosf(angle * M_PI / 180.0f) + origin.x;
        float y = radius * sinf(angle * M_PI / 180.0f) + origin.y;
        return cv::Point2f(x, y);


static std::vector<std::pair<size_t, int> > biggestKmeansGroup(const std::vector<int> &labels, int count)

        std::vector<std::pair<size_t, int> > indices;
        std::map<int, size_t> l2cm;

        for (int i = 0; i < labels.size(); ++i)
                l2cm[labels[i]]++;

        std::vector<std::pair<size_t, int> > c2lm;
        for (std::map<int, size_t>::iterator it = l2cm.begin(); it != l2cm.end(); it++)
                c2lm.push_back(std::make_pair(it->second, it->first)); // count, group

        std::sort(c2lm.begin(), c2lm.end(), cmp_pair_first_reverse);
        for (int i = 0; i < c2lm.size() && count-- > 0; i++)
                indices.push_back(c2lm[i]);
        return indices;


static void sortByAngle(std::vector<boost::shared_ptr<Pair> > &group,
                        std::vector<boost::shared_ptr<Pair> > &result)

        std::vector<int> labels;
        cv::Mat samples;

        /* Radius is not so important here. */
        for (int i = 0; i < group.size(); i++)
                samples.push_back(angleToPointOnCircle(group[i]->angle, 100, cv::Point2f(0, 0)));

        /* 90 degrees per group. May be less if you need it. */
        static int PAIR_MAX_FINE_GROUPS = 4;

        int groupNr = std::max(std::min((int)group.size(), PAIR_MAX_FINE_GROUPS), 1);
        assert(group.size() >= groupNr);
        cv::kmeans(samples.reshape(1, (int)group.size()), groupNr, labels,
                   cvTermCriteria(CV_TERMCRIT_EPS/* | CV_TERMCRIT_ITER*/, 30, 1.0f),
                   100, cv::KMEANS_RANDOM_CENTERS);

        std::vector<std::pair<size_t, int> > biggest = biggestKmeansGroup(labels, groupNr);
        for (int g = 0; g < biggest.size(); g++) 
                for (int i = 0; i < group.size(); i++) 
                        if (labels[i] == biggest[g].second)
                                result.push_back(group[i]);