圖像的高級(jí)處理中，協(xié)方差矩陣計(jì)算是必不可少的，但opencv關(guān)于這方面的資料卻相當(dāng)少。

首先，利用matlab計(jì)算一下，便于比較：

>> data=[1,2,3;10,20,30]

data =

1 2 3

10 20 30

>> convar=cov(data)

convar =

40.5000 81.0000 121.5000

81.0000 162.0000 243.0000

121.5000 243.0000 364.5000

在計(jì)算協(xié)方差矩陣時(shí)，在源數(shù)據(jù)矩陣中，默認(rèn)以行為樣本數(shù)，以列為維度。如果你是相反的，那么結(jié)果可能和我的不一樣。

在opencv2中，先利用公式來進(jìn)行計(jì)算：

代碼：

Mat data = (Mat_(2, 3) << 1, 2, 3, 10, 20, 30);

cout<< "data:"<

Mat means(1, data.cols, data.type(), Scalar::all(0));for (int i = 0; i < data.cols; i++)

means.col(i)= sum(data.col(i)) / data.rows; //計(jì)算列均值

cout << "means:"<

Mat tmp= repeat(means, data.rows, 1);

data= data - tmp; //源數(shù)據(jù)減去均值

Mat covar = (data.t()*data) / (data.rows - 1); //(X'*X)/n-1

cout << "covar:"<

結(jié)果：

data:

[1, 2, 3;

10, 20, 30]

means:

[5.5, 11, 16.5]

covar:

[40.5, 81, 121.5;

81, 162, 243;

121.5, 243, 364.5]

請(qǐng)按任意鍵繼續(xù). . .

結(jié)果和matlab計(jì)算是一樣的。

還有一種比較簡便的方法，那就是使用opencv自帶的函數(shù)calcCovarMatrix來計(jì)算。

void calcCovarMatrix(InputArray samples, OutputArray covar, OutputArray mean, int flags, int ctype=CV_64F)

代碼：

Mat covar, means;

Mat data= (Mat_(2, 3) << 1, 2, 3, 10, 20, 30);

cout<< "data:" << endl << data <

calcCovarMatrix(data, covar, means, CV_COVAR_NORMAL| CV_COVAR_ROWS);

cout << "means:" << endl << means <

cout<< "covar:" << endl << covar << endl;

結(jié)果：

data:

[1, 2, 3;

10, 20, 30]

means:

[5.5, 11, 16.5]

covar:

[40.5, 81, 121.5;

81, 162, 243;

121.5, 243, 364.5]

和上面的結(jié)果完全一樣。注意最后一個(gè)參數(shù)CV_COVAR_ROWS表示以行為樣本，即一行為一個(gè)向量。如果你是以列為向量，則應(yīng)換成CV_COVAR_COLS

標(biāo)記位參數(shù)值極其意義

標(biāo)志參數(shù)的具體標(biāo)志值

意義

CV_COVAR_NORMAL

計(jì)算均值和協(xié)方差

CV_COVAR__SCRAMBLED

快速PCA”Scrambled”協(xié)方差

CV_COVAR_USE_AVERAGE

輸入均值而不是計(jì)算均值

CV_COVAR_SCALE

重新縮放輸出的協(xié)方差矩陣

這個(gè)函數(shù)的具體介紹可以參考官方文檔：傳送門

總結(jié)

以上是生活随笔為你收集整理的python 计算协方差矩阵_opencv2学习：计算协方差矩阵的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。