OpenCV实现最大最小距离聚类算法
【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/80255524
本博客提供多版本的最大最小距离聚类算法：《聚类算法-最大最小距离算法(实例+代码)》，提供C++，Python，OpenCV以及Matlab版本的最大最小距离聚类算法的实现
目录
一、最大最小距离算法基本思想
最大最小距离法是模式识别中一种基于试探的类聚算法，它以欧式距离为基础，取尽可能远的对象作为聚类中心。因此可以避免K-means法初值选取时可能出现的聚类种子过于临近的情况，它不仅能智能确定初试聚类种子的个数，而且提高了划分初试数据集的效率。
该算法以欧氏距离为基础，首先初始一个样本对象作为第1个聚类中心，再选择一个与第1个聚类中心最远的样本作为第2个聚类中心，然后确定其他的聚类中心，直到无新的聚类中心产生。最后将样本按最小距离原则归入最近的类。
二、算法实现步骤
假设有10个模式样本点：{x1(0 0), x2(3 8), x3(2 2), x4(1 1), x5(5 3), x6(4 8), x7(6 3), x8(5 4), x9(6 4), x10(7 5)}，其样本分布如图所示：
最大最小距离聚类算法步骤如下：
该算法的聚类结果与参数和起始点的选取关系重大。若无先验样本分布知识，则只有用试探法通过多次试探优化，若有先验知识用于指导和选取，则算法可很快收敛。
为了方便看解计算过程，下面以表格的方式列出：
1.C++ OpenCV实现方法
#include <opencv2/opencv.hpp>
using namespace cv;
using namespace std;
/*计算欧式距离*/
float calcuDistance(uchar* ptr, uchar* ptrCen, int cols) {
float d = 0.0;
for (size_t j = 0; j < cols; j++)
{
d += (double)(ptr[j] - ptrCen[j])*(ptr[j] - ptrCen[j]);
}
d = sqrt(d);
return d;
}
/** @brief 最大最小距离算法
@param data 输入样本数据，每一行为一个样本，每个样本可以存在多个特征数据
@param Theta 阈值，一般设置为0.5，阈值越小聚类中心越多
@param centerIndex 聚类中心的下标
@return 返回每个样本的类别，类别从1开始，0表示未分类或者分类失败
*/
cv::Mat MaxMinDisFun(cv::Mat data, float Theta, vector<int> ¢erIndex) {
double maxDistance = 0;
int start = 0; //初始选一个中心点
int index = start; //相当于指针指示新中心点的位置
int k = 0; //中心点计数，也即是类别
int dataNum = data.rows; //输入的样本数
//vector<int> centerIndex;//保存中心点
cv::Mat distance = cv::Mat::zeros(cv::Size(1, dataNum), CV_32FC1); //表示所有样本到当前聚类中心的距离
cv::Mat minDistance = cv::Mat::zeros(cv::Size(1, dataNum), CV_32FC1); //取较小距离
cv::Mat classes = cv::Mat::zeros(cv::Size(1, dataNum), CV_32SC1); //表示类别
centerIndex.push_back(index); //保存第一个聚类中心
for (size_t i = 0; i < dataNum; i++)
{
uchar* ptr1 = data.ptr<uchar>(i);
uchar* ptrCen = data.ptr<uchar>(centerIndex.at(0));
float d= calcuDistance(ptr1, ptrCen, data.cols);
distance.at<float>(i, 0) = d;
classes.at<int>(i, 0) = k + 1;
if (maxDistance < d)
{
maxDistance = d;
index = i; //与第一个聚类中心距离最大的样本
}
}
minDistance = distance.clone();
double minVal; double maxVal; cv::Point minLoc; cv::Point maxLoc;
maxVal = maxDistance;
while (maxVal > (maxDistance*Theta)) {
k = k + 1;
centerIndex.push_back(index); //新的聚类中心
for (size_t i = 0; i < dataNum; i++)
{
uchar* ptr1 = data.ptr<uchar>(i);
uchar* ptrCen = data.ptr<uchar>(centerIndex.at(k));
float d = calcuDistance(ptr1, ptrCen, data.cols);
distance.at<float>(i, 0) = d;
//按照当前最近临方式分类，哪个近就分哪个类别
if (minDistance.at<float>(i, 0) > distance.at<float>(i, 0))
{
minDistance.at<float>(i, 0) = distance.at<float>(i, 0);
classes.at<int>(i, 0) = k + 1;
}
}
//查找minDistance中最大值
cv::minMaxLoc(minDistance, &minVal, &maxVal, &minLoc, &maxLoc);
index = maxLoc.y;
}
return classes;
}
int main()
{
cv::Mat data = (cv::Mat_<uchar>(2, 10) << 0, 3, 2, 1, 5, 4, 6, 5, 6, 7, 0, 8, 2, 1, 3, 8, 3, 4, 4, 5);
//cv::Mat data = (cv::Mat_<uchar>(4, 10) << 0, 3, 2, 1, 5, 4, 6, 5, 6, 7, 0, 8, 2, 1, 3, 8, 3, 4, 4, 5, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1);
data = data.t();
cout << "原始数据data=\n" << data << endl;
vector<int> centerIndex;
float Theta = 0.6;
cv::Mat classes = MaxMinDisFun(data, 0.5, centerIndex);
cout << "类别classes=\n" << classes << endl;
system("pause");
waitKey();
return 0;
}
运行结果：
原始数据data=
[ 0, 0;
3, 8;
2, 2;
1, 1;
5, 3;
4, 8;
6, 3;
5, 4;
6, 4;
7, 5]
类别classes=
[1;
2;
1;
1;
3;
2;
3;
3;
3;
3]2.C++，Python以及Matlab版本
请参考鄙人的博客：《聚类算法-最大最小距离算法(实例+代码)》https://blog.csdn.net/guyuealian/article/details/53708042
如果你觉得该帖子帮到你，还望贵人多多支持，鄙人会再接再厉，继续努力的~
