opencv multidimensional kmeans

Question

Ich versuche, den Kmeans-Algorithmus auf einem n-dimensionalen Daten auszuführen.

Ich habe N Punkte und jeder Punkt haben { x, y, z, ... , n } Funktionen.

mein Code ist folgende:

cv::Mat points(N, n, CV_32F); 

// fill the data points 

cv::Mat labels; cv::Mat centers; 

cv::kmeans(points, k, labels, cv::TermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS, 1000, 0.001), 10, cv::KMEANS_PP_CENTERS, centers); 

das Problem ist, dass der KMeans Algorithmus in einen Segmentierungsfehler führen.

jede mögliche Hilfe

Update

Wie Miki und Micka, sagte der oben genannten Code korrekt geschätzt war!

Ich hatte einen Fehler in der „füllen die Datenpunkte“ gemacht, so dass ich die Erinnerung

Answer 1

Der Code korrumpiert sieht ok. Sie müssen die Daten als 1 Dimension pro Spalte auswählen.

Können Sie versuchen, dieses Beispiel auszuführen?

// k-means 
int main(int argc, char* argv[]) 
{ 

    cv::Mat projectedPointsImage = cv::Mat(512, 512, CV_8UC3, cv::Scalar::all(255)); 

    int nReferenceCluster = 10; 
    int nSamplesPerCluster = 100; 

    int N = nReferenceCluster*nSamplesPerCluster; // number of samples 
    int n = 10; // dimensionality of data 

    // fill the data points 
    // create n artificial clusters and randomly seed 100 points around them 

    cv::Mat referenceCenters(nReferenceCluster, n, CV_32FC1); 

    //std::cout << referenceCenters << std::endl; 
    cv::randu(referenceCenters, cv::Scalar::all(0), cv::Scalar::all(512)); 
    //std::cout << "FILLED:" << "\n" << referenceCenters << std::endl; 

    cv::Mat points = cv::Mat::zeros(N, n, CV_32FC1); 
    cv::randu(points, cv::Scalar::all(-20), cv::Scalar::all(20)); // seed points around the center 

    for (int j = 0; j < nReferenceCluster; ++j) 
    { 
     cv::Scalar clusterColor = cv::Scalar(rand() % 255, rand() % 255, rand() % 255); 
     //cv::Mat & clusterCenter = referenceCenters.row(j); 
     for (int i = 0; i < nSamplesPerCluster; ++i) 
     { 
      // creating a sample randomly around the artificial cluster: 
      int index = j*nSamplesPerCluster + i; 
      //samplesRow += clusterCenter; 
      for (int k = 0; k < points.cols; ++k) 
      { 
       points.at<float>(index, k) += referenceCenters.at<float>(j, k); 
      } 

      // projecting the 10 dimensional clusters to 2 dimensions: 
      cv::circle(projectedPointsImage, cv::Point(points.at<float>(index, 0), points.at<float>(index, 1)), 2, clusterColor, -1); 

     } 
    } 


    cv::Mat labels; cv::Mat centers; 
    int k = 10; // searched clusters in k-means 

    cv::kmeans(points, k, labels, cv::TermCriteria(CV_TERMCRIT_ITER | CV_TERMCRIT_EPS, 1000, 0.001), 10, cv::KMEANS_PP_CENTERS, centers); 

    for (int j = 0; j < centers.rows; ++j) 
    { 
     std::cout << centers.row(j) << std::endl; 
     cv::circle(projectedPointsImage, cv::Point(centers.at<float>(j, 0), centers.at<float>(j, 1)), 30, cv::Scalar::all(0), 2); 
    } 

    cv::imshow("projected points", projectedPointsImage); 
    cv::imwrite("C:/StackOverflow/Output/KMeans.png", projectedPointsImage); 
    cv::waitKey(0); 
    return 0; 
} 

Ich erstelle dort 10-dimensionale Daten um künstliche Clusterzentren. Für die Anzeige I projizieren sie auf 2D, immer dieses Ergebnis: