一、前言

图是一种重要的数据结构,本文主要表示图像的无向图。所谓无向图是指,图的节点间通过没有方向的边连接。

无向图的表示:

无向图G=<V,E>,其中:
1.V是非空集合,称为顶点集。
2.E是V中元素构成的无序二元组的集合,称为边集。
对于图像来说,每一个像素都可以看做是一个节点,根据具体节点连接选择方式的不同,可以分为KNN构图和Sparse构图等等。
所谓KNN构图是指,每个像素的节点都与图像中与改点距离最小的K个点连接,连接的值可以通过最小二乘重构计算。
Sparse构图也是一样,主要是将每个像素在其余像素构成的字典中位置原子连接。具体算法可以参考相关文献。
 
二、实现
本节主要实现单个点的图连接情况。稀疏构图采用的是OMP算法解算的。
主要代码函数如下:
 void SparseGraphic::KNNSparseGraphics(const QString fileName, const QPoint curPos,
const int K, QVector<QPoint> &resPoint, const int flag)
{
if(curPos.x()< || curPos.y()<)
return;
cv::Mat Img = GDALOpenCV::GDAL2Mat(fileName);
int row = Img.rows;
int col = Img.cols;
if(curPos.x()>=col || curPos.y() >= row)
return;
if(flag != && flag != )
return;
cv::Mat imgVec = Img.reshape(,row*col);
cv::transpose(imgVec,imgVec);
int curPosVec = curPos.y()*col + curPos.x();
cv::Mat Dict;
if(curPosVec != )
{
cv::Mat Dict1 = imgVec.colRange(,curPosVec-);
cv::Mat Dict1_T = Dict1.t();
cv::Mat Dict2 = imgVec.colRange(curPosVec,imgVec.cols);
cv::Mat Dict2_T = Dict2.t();
Dict1_T.push_back(Dict2_T);
cv::Mat Dict_T = Dict1_T.clone();
Dict = Dict_T.t();
Dict = Dict.clone();
Dict1.release();
Dict2.release();
Dict_T.release();
Dict1_T.release();
Dict2_T.release();
}else
{
cv::Mat Dict1 = imgVec.colRange(,imgVec.cols);
Dict = Dict1.clone();
Dict1.release();
}
cv::Mat curPosImgVec = imgVec.colRange(curPosVec-,curPosVec);
QVector<int> index;
for(int i = ;i<row*col;i++)
index.push_back(i);
index.removeAt(curPosVec); if(flag == )
{
cv::Mat tmpCurPosImgVec = cv::repeat(curPosImgVec,,Dict.cols);
cv::Mat subMat = Dict - tmpCurPosImgVec;
subMat = subMat.mul(subMat);
cv::sqrt(subMat,subMat);
cv::reduce(subMat,subMat,,CV_REDUCE_SUM);
QuickSort(subMat,index,,row*col-);
for(int i = ;i<K;i++)
{
int r = index[i]/col;
int c = index[i]%col;
QPoint mPos;
mPos.setX(c);
mPos.setY(r);
resPoint.push_back(mPos);
}
}else
{
QVector<int> tmpIndex;
cv::Mat A = ormpSparseRepresentation::ompSparseL2(Dict,curPosImgVec,tmpIndex,K);
for(int i = ;i<K;i++)
{
int r = index[tmpIndex[i]]/col;
int c = index[tmpIndex[i]]%col;
QPoint mPos;
mPos.setX(c);
mPos.setY(r);
resPoint.push_back(mPos);
}
}
}

其中:排序与omp算法的代码见文档8和文档7

三、显示

9. KNN和Sparse构图的更多相关文章

  1. PRML读书会第七章 Sparse Kernel Machines(支持向量机, support vector machine ,KKT条件,RVM)

    主讲人 网神 (新浪微博: @豆角茄子麻酱凉面) 网神(66707180) 18:59:22  大家好,今天一起交流下PRML第7章.第六章核函数里提到,有一类机器学习算法,不是对参数做点估计或求其分 ...

  2. 深度学习与计算机视觉系列(2)_图像分类与KNN

    作者: 寒小阳 &&龙心尘 时间:2015年11月. 出处: http://blog.csdn.net/han_xiaoyang/article/details/49949535 ht ...

  3. 机器学习笔记(5) KNN算法

    这篇其实应该作为机器学习的第一篇笔记的,但是在刚开始学习的时候,我还没有用博客记录笔记的打算.所以也就想到哪写到哪了. 你在网上搜索机器学习系列文章的话,大部分都是以KNN(k nearest nei ...

  4. 美团店铺评价语言处理以及分类(tfidf,SVM,决策树,随机森林,Knn,ensemble)

    第一篇 数据清洗与分析部分 第二篇 可视化部分, 第三篇 朴素贝叶斯文本分类 支持向量机分类 支持向量机 网格搜索 临近法 决策树 随机森林 bagging方法 import pandas as pd ...

  5. ISSCC 2017论文导读 Session 14: A 28nm SoC with a 1.2GHz Prediction Sparse Deep-Neural-Network Engine

    A 28nm SoC with a 1.2GHz 568nJ/Prediction Sparse Deep-Neural-Network Engine with >0.1 Timing Erro ...

  6. 用KNN实现iris的4分类问题&测试精度

    import matplotlib.pyplot as plt from scipy import sparse import numpy as np import matplotlib as mt ...

  7. 【Machine Learning】KNN算法虹膜图片识别

    K-近邻算法虹膜图片识别实战 作者:白宁超 2017年1月3日18:26:33 摘要:随着机器学习和深度学习的热潮,各种图书层出不穷.然而多数是基础理论知识介绍,缺乏实现的深入理解.本系列文章是作者结 ...

  8. K近邻法(KNN)原理小结

    K近邻法(k-nearst neighbors,KNN)是一种很基本的机器学习方法了,在我们平常的生活中也会不自主的应用.比如,我们判断一个人的人品,只需要观察他来往最密切的几个人的人品好坏就可以得出 ...

  9. kd树和knn算法的c语言实现

    基于kd树的knn的实现原理可以参考文末的链接,都是一些好文章. 这里参考了别人的代码.用c语言写的包括kd树的构建与查找k近邻的程序. code: #include<stdio.h> # ...

随机推荐

  1. Android 打造形形色色的进度条 实现可以如此简单

    转载请标明出处:http://blog.csdn.net/lmj623565791/article/details/43371299 ,本文出自:[张鸿洋的博客] 1.概述 最近需要用进度条,秉着不重 ...

  2. DotNet加密方式解析--散列加密

    没时间扯淡类,赶紧上车吧. 在现代社会中,信息安全对于每一个人都是至关重要的,例如我们的银行账户安全.支付宝和微信账户安全.以及邮箱等等,说到信息安全,那就必须得提到加密技术,至于加密的一些相关概念, ...

  3. VB6.0连接MySQL数据库

    VB6.0连接MySQL数据库

  4. 【转】iOS开发24:使用SQLite3存储和读取数据

    转自:http://my.oschina.net/plumsoft/blog/57626 SQLite3是嵌入在iOS中的关系型数据库,对于存储大规模的数据很有效.SQLite3使得不必将每个对象都加 ...

  5. Linux基础知识(二)

    1. 请回答,32位和64位有什么区别呢?什么时候安装32位的,又什么时候安装64位操作系统呢?如何查看系统是32位的还是64位的? 所谓的32位.64位指的是CPU的GPRs(General-Pur ...

  6. C#中的一些复习。

    摘自http://www.cnblogs.com/yuchengping/p/3151537.html 等日后自己来完善. 基本概念 1..NET是平台,C#是.NET上的一门语言. 2.C#的异常处 ...

  7. Linq 关键字

    from var lowNums = from num in numbers            where num < 5            select num; numbers 是数 ...

  8. Java------------运算符优先级速记口诀

    单目乘加位关系,逻辑三目后赋值. 单目:单目运算符+ –(负数) ++ -- 等 乘加(乘除加减):算数单目运算符* / % + - 位:位移单目运算符<< >> 关系:关系单 ...

  9. 转 Oracle全文检索http://docs.oracle.com/cd/E11882_01/text.112/e24436/toc.htm

    SQL > exec ctx_ddl.create_preference ('my_test_lexer','chinese_lexer') : PL/SQL 过程成功完成 SQL > E ...

  10. 由MyEclipse内存不足谈谈JVM内存设置

    转自:http://www.javatang.com/archives/2007/12/03/1653250.html 如果没有进行设置的话,在使用MyEclipse的经常出现如下图所示内存不足的提示 ...