Leaper Vision Toolkit
结构体 | 枚举
LPVMLLib 模块参考手册

LPV 机器学习模块,提供基于机器学习的分类、检测、识别工具。 更多...

结构体

interface  ILClassifier
 该接口类提供基于机器学习的图像分类功能。 更多...
 
interface  ILFeature
 该接口为图像特征,在机器学习算法中用于从图像中提取特征向量。 更多...
 
interface  ILModel
 该接口为机器学习模型,用于分类、检测、识别等任务。 更多...
 
interface  ILParameterized
 该接口类为机器学习模块特征和模型对象的基类,用于存储和调整参数。 更多...
 
interface  ILSample
 该接口类表示单个样本,通常由一个图像和可选的区域对象组成。 更多...
 
interface  ILSampleDatabase
 该接口类表示样本数据库,用于训练和测试样本的组织和管理。 更多...
 
class  LClassifier
 
class  LFeature
 
class  LModel
 
class  LSample
 
class  LSampleDatabase
 

枚举

enum  LPVConductivity { LPVConductPMG1 = 0 , LPVConductPMG2 = 1 , LPVConductWeickert = 2 , LPVConductCharbonnier = 3 }
 该枚举用于表示电导系数类型,在 AKAZE 特征中使用。 更多...
 
enum  LPVFeatureType {
  LPVFeatureReserved = 0 , LPVFeatureORB = 1 , LPVFeatureHOG = 2 , LPVFeatureAKAZE = 3 ,
  LPVFeaturePixelByPixel = 4 , LPVFeatureSIFT = 5 , LPVFeatureHaar = 6 , LPVFeatureShape = 7 ,
  LPVFeatureNewBrief = 8 , LPVFeatureGGCM = 9 , LPVFeatureIntegralHist = 10 , LPVFeatureMLP = 11
}
 该枚举用于表示特征类型,通常为从图像提取的特征 更多...
 
enum  LPVKNNDistance {
  LPVKNNDistanceEuclidean = 0 , LPVKNNDistanceManhattan = 1 , LPVKNNDistanceMax = 2 , LPVKNNDistanceHistIntersection = 3 ,
  LPVKNNDistanceHellinger = 4 , LPVKNNDistanceChiSquare = 5
}
 该枚举用于表示距离的计算方式,在 KNN 模型中使用,以衡量样本间的相似性。 更多...
 
enum  LPVKNNMatchAlgo {
  LPVKNNMatchBruteForce = 0 , LPVKNNMatchKDTree = 1 , LPVKNNMatchKmeans = 2 , LPVKNNMatchComposite = 3 ,
  LPVKNNMatchHierarchical = 4 , LPVKNNMatchAuto = 5
}
 该枚举用于表示 KNN 模型中用于最近邻搜索的算法。 更多...
 
enum  LPVKNNWeight { LPVKNNWeightByDistance = 0 , LPVKNNWeightUniformed = 1 }
 该枚举用于表示 KNN 模型在 K 个最近邻中计算最终结果时使用的加权方式 更多...
 
enum  LPVMLPActivationFunction { LPVMLPActivationSigmoidSym = 1 , LPVMLPActivationGaussian = 2 , LPVMLPActivationReLU = 3 , LPVMLPActivationLeakyReLU = 4 }
 该枚举用于表示 MLP 模型中使用的激活函数 更多...
 
enum  LPVMLPTrainMethod { LPVMLPTrainMethodBackprop = 0 , LPVMLPTrainMethodRProp = 1 }
 该枚举用于表示 MLP 模型使用的训练方法 更多...
 
enum  LPVModelType {
  LPVModelReserved = 0 , LPVModelKNN = 1 , LPVModelSVM = 2 , LPVModelRF = 3 ,
  LPVModelMLP = 4
}
 该枚举用于表示机器学习模型类型 更多...
 
enum  LPVPixelValueType { LPVPixelValueGray = 0 , LPVPixelValueGrayNorm = 1 , LPVPixelValueBinary = 2 , LPVPixelValueFraction = 3 }
 该枚举用于表示逐像素特征(PixelByPixel)中使用的像素值类型 更多...
 
enum  LPVProjectionType { LPVProjectionNone = 0 , LPVProjectionHorizontal = 1 , LPVProjectionVertical = 2 , LPVProjectionHorizontalAndVertical = 3 }
 该枚举用于表示逐像素特征(PixelByPixel)中使用的投影方式 更多...
 
enum  LPVSampleType { LPVSampleTrain = 1 , LPVSampleTest = 2 }
 该枚举用于表示样本的类型 更多...
 
enum  LPVShapeType { LPVShapeKPDistrib = 0 , LPVShapeContext = 1 , LPVShapeBoth = 2 }
 该枚举用于表示形状特征的类型 更多...
 
enum  LPVSVMKernel { LPVSVMKernelLinear = 0 , LPVSVMKernelPolynomial = 1 , LPVSVMKernelRBF = 2 , LPVSVMKernelSigmoid = 3 }
 该枚举用于表示 SVM 模型使用的核类型 更多...
 
enum  LPVSVMType { LPVSVMTypeCSupport = 0 , LPVSVMTypeNuSupport = 1 }
 该枚举用于表示 SVM 模型的类型 更多...
 

详细描述

LPV 机器学习模块,提供基于机器学习的分类、检测、识别工具。

该模块提供一些机器学习算法类,用于分类、检测、识别等任务。使用该模块中的类和算法,需按照以下方式引用该模块:

示例代码

C++ Snippets: MLClassification.cpp
C# Snippets: MLClassification.cs

枚举类型说明

◆ LPVConductivity

该枚举用于表示电导系数类型,在 AKAZE 特征中使用。

下列公式中, \( dL \) 表示一阶图像导数, \( k \) 表示对比度因子。

枚举值
LPVConductPMG1 

Perona & Malik G1: \( \exp{(-dL^2 / k^2)} \)

LPVConductPMG2 

Perona & Malik G2: \( 1 / (1 + dL^2 / k^2) \)

LPVConductWeickert 

Weickert: \( -3.315 / (dL^2 / k^2)^4 \)

LPVConductCharbonnier 

Charbonnier: \( 1 / \sqrt{(1 + dL^2 / k^2)} \)

◆ LPVFeatureType

该枚举用于表示特征类型,通常为从图像提取的特征

枚举值
LPVFeatureReserved 

未初始化的特征

LPVFeatureORB 

ORB 特征(Oriented FAST and Rotated BRIEF)。结合 FAST 关键点检测与带旋转的 BRIEF 描述子, 特征为二值且提取、匹配速度快。常用于实时目标检测、图像匹配和视觉里程计。

LPVFeatureHOG 

HOG 特征(Histogram of Oriented Gradients)。统计图像局部区域(Cell)内的梯度方向直方图, 对光照变化较鲁棒。常用于行人检测及通用目标检测。

LPVFeatureAKAZE 

AKAZE 特征(Accelerated-KAZE)。基于快速显式扩散构建非线性尺度空间并检测关键点, 具有旋转不变性。常用于特征匹配、图像拼接和三维重建。

LPVFeaturePixelByPixel 

逐像素特征。将统一尺寸样本图像的每个像素值作为特征向量的一个维度, 完整保留样本的空间灰度信息。常用于依赖纹理或灰度细节的缺陷检测与小样本分类。

LPVFeatureSIFT 

SIFT 特征(Scale-Invariant Feature Transform)。在多尺度空间检测关键点,并以局部梯度统计进行描述, 对尺度、旋转和光照变化具有不变性。常用于图像匹配、拼接、识别和三维重建。

LPVFeatureHaar 

Haarlike 特征。以不同尺度的矩形模板描述局部灰度差异,可借助积分图快速计算。 常用于人脸检测及基于提升(Boosting)的目标检测。

LPVFeatureShape 

形状特征。通过形状上下文(Shape Context)和关键点分布描述样本形状,兼顾局部与整体几何信息。 常用于不规则或带孔工件的形状匹配与分类。

LPVFeatureNewBrief 

NewBrief 特征。基于像素强度比较的局部图像块二值描述子,计算和以汉明距离匹配的速度都快。 常用于特征匹配和图像检索。

LPVFeatureGGCM 

GGCM 特征(灰度-梯度共生矩阵)。统计图像灰度与梯度值的共生关系,反映图像的纹理特性。 常用于纹理分析及表面缺陷分类。

LPVFeatureIntegralHist 

IntegralHist 特征(积分直方图)。基于积分直方图在常数时间内统计任意矩形区域的直方图特征。 常用于目标检测中基于区域的纹理与颜色统计。

LPVFeatureMLP 

MLP 特征。由 ANN(MLP)网络产生的特征向量,将原始样本映射为紧凑的学习表示。 常用于基于学习特征的分类任务。

◆ LPVKNNDistance

该枚举用于表示距离的计算方式,在 KNN 模型中使用,以衡量样本间的相似性。

下列公式中,x 和 y 表示两个待比较样本的特征向量,i 表示特征向量的第 i 位。

枚举值
LPVKNNDistanceEuclidean 

Euclidean(L2): \( \sum{(x_i - y_i)^2} \)

LPVKNNDistanceManhattan 

Manhattan(L1): \( \sum{|x_i - y_i|} \)

LPVKNNDistanceMax 

Maximum: \( \max{|x_i - y_i|} \) 仅当匹配算法为 BruteForce 或者 K-Means 或者 Hierarchical 时可用

LPVKNNDistanceHistIntersection 

Histogram Intersection: \( \sum{\min{(x_i, y_i)}} \)

LPVKNNDistanceHellinger 

Hellinger: \( \sum{(\sqrt{x_i} - \sqrt{y_i})^2} \)

LPVKNNDistanceChiSquare 

Chi-Square: \( \sum{((x_i - y_i)^2/(x_i + y_i))} \text{ for } x_i + y_i > 0 \)

◆ LPVKNNMatchAlgo

该枚举用于表示 KNN 模型中用于最近邻搜索的算法。

枚举值
LPVKNNMatchBruteForce 

朴素的 Brute-Force 算法,即逐一搜索,在样本量小的时候使用。

LPVKNNMatchKDTree 

样本基于其相似性,组织为若干个 KD 树

LPVKNNMatchKmeans 

样本基于其相似性,使用 K-Means 算法聚类为若干个集合

LPVKNNMatchComposite 

KD-Tree 和 K-Means 的组合

LPVKNNMatchHierarchical 

样本基于其相似性,使用分层聚类算法组织

LPVKNNMatchAuto 

基于样本的相似性自动调整索引

◆ LPVKNNWeight

该枚举用于表示 KNN 模型在 K 个最近邻中计算最终结果时使用的加权方式

枚举值
LPVKNNWeightByDistance 

基于样本和预测特征的相似性距离加权,距离越近权重越大

LPVKNNWeightUniformed 

所有最近邻的权重相同

◆ LPVMLPActivationFunction

该枚举用于表示 MLP 模型中使用的激活函数

枚举值
LPVMLPActivationSigmoidSym 

对称 Sigmoid 激活函数

LPVMLPActivationGaussian 

高斯(Gaussian)激活函数

LPVMLPActivationReLU 

ReLU(Rectified Linear Unit)激活函数

LPVMLPActivationLeakyReLU 

LeakyReLU 激活函数

◆ LPVMLPTrainMethod

该枚举用于表示 MLP 模型使用的训练方法

枚举值
LPVMLPTrainMethodBackprop 

反向传播算法(Back-Propagation)

LPVMLPTrainMethodRProp 

RProp 算法(弹性反向传播,resilient back-propagation)

◆ LPVModelType

该枚举用于表示机器学习模型类型

枚举值
LPVModelReserved 

未初始化的模型

LPVModelKNN 

KNN 模型(K-Nearest Neighbors)

LPVModelSVM 

SVM 模型(支持向量机)

LPVModelRF 

RF 模型(随机森林)

LPVModelMLP 

MLP 模型(多层感知机)

◆ LPVPixelValueType

该枚举用于表示逐像素特征(PixelByPixel)中使用的像素值类型

枚举值
LPVPixelValueGray 

灰度值,范围 0 ~ 1

LPVPixelValueGrayNorm 

灰度值,按最大值归一化到 0 ~ 1

LPVPixelValueBinary 

自动阈值分割后的二值,像素值较大时取 1,否则取 0。
若存在区域,将使用区域掩码作为来源;若区域使用软掩码,则输出 0 ~ 1 之间的浮点值。

LPVPixelValueFraction 

自动阈值分割后前景像素所占的比例

◆ LPVProjectionType

该枚举用于表示逐像素特征(PixelByPixel)中使用的投影方式

枚举值
LPVProjectionNone 

无投影

LPVProjectionHorizontal 

水平投影,输出每一行的均值

LPVProjectionVertical 

垂直投影,输出每一列的均值

LPVProjectionHorizontalAndVertical 

水平及垂直投影,输出每一行和每一列的均值

◆ LPVSampleType

该枚举用于表示样本的类型

枚举值
LPVSampleTrain 

样本属于训练集,用于模型训练

LPVSampleTest 

样本属于测试集,用于模型测试

◆ LPVShapeType

该枚举用于表示形状特征的类型

枚举值
LPVShapeKPDistrib 

基于关键点分布

LPVShapeContext 

基于形状上下文(Shape Context)

LPVShapeBoth 

同时基于关键点分布和形状上下文

◆ LPVSVMKernel

该枚举用于表示 SVM 模型使用的核类型

下列公式中,x 和 y 表示两个待比较样本的特征向量, g、c 和 n 为设定的数值参数

枚举值
LPVSVMKernelLinear 

Linear: \( x^Ty \)

LPVSVMKernelPolynomial 

Polynomial: \( (g \cdot x^Ty + c)^n \)

LPVSVMKernelRBF 

RBF: \( \exp{(-g \cdot |x - y|^2)} \)

LPVSVMKernelSigmoid 

Sigmoid: \( \tanh{(g \cdot x^Ty + c)} \)

◆ LPVSVMType

enum LPVSVMType

该枚举用于表示 SVM 模型的类型

枚举值
LPVSVMTypeCSupport 

C-SVM,基于优化惩罚因子 C 参数的支持向量机算法

LPVSVMTypeNuSupport 

Nu-SVM,基于控制支持向量数量 Nu 参数的支持向量机算法