当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python SciPy distance.directed_hausdorff用法及代码示例


本文简要介绍 python 语言中 scipy.spatial.distance.directed_hausdorff 的用法。

用法:

scipy.spatial.distance.directed_hausdorff(u, v, seed=0)#

计算两个二维数组之间的有向 Hausdorff 距离。

对之间的距离使用欧几里得度量来计算。

参数

u (M,N) 数组

输入数组,在 N 维中具有 M 个点。

v (O,N) 数组

N 维中包含 O 点的输入数组。

seed int 或无

本地 numpy.random.RandomState 种子。默认值为 0,即 u 和 v 的随机改组,保证可重复性。

返回

d 双倍的

数组 u 和 v 之间的有向 Hausdorff 距离,

index_1 int

u 中对 Hausdorff 对有贡献的点的索引

index_2 int

v 中对 Hausdorff 对有贡献的点的索引

抛出

ValueError

如果 u 和 v 的列数不同,则会引发异常。

注意

使用 [1] 中说明的早期中断技术和随机抽样方法。尽管最坏情况下的性能是O(m * o)(与蛮力算法一样),但这在实践中不太可能,因为输入数据必须要求算法探索每个单点交互,并且在算法将输入点打乱之后.最佳情况下的性能是 O(m),通过选择小于 cmax 的内环距离来满足这一要求,并尽可能多地导致早期中断。作者已经正式表明平均运行时间更接近 O(m)。

参考

[1]

A. A. Taha 和 A. Hanbury,“一种计算准确 Hausdorff 距离的有效算法。” IEEE 模式分析和机器智能汇刊,第一卷。 2015 年,第 37 页,第 2153-63 页。

例子

求两个二维坐标数组之间的有向 Hausdorff 距离:

>>> from scipy.spatial.distance import directed_hausdorff
>>> import numpy as np
>>> u = np.array([(1.0, 0.0),
...               (0.0, 1.0),
...               (-1.0, 0.0),
...               (0.0, -1.0)])
>>> v = np.array([(2.0, 0.0),
...               (0.0, 2.0),
...               (-2.0, 0.0),
...               (0.0, -4.0)])
>>> directed_hausdorff(u, v)[0]
2.23606797749979
>>> directed_hausdorff(v, u)[0]
3.0

求两个二维坐标数组之间的一般(对称)豪斯多夫距离:

>>> max(directed_hausdorff(u, v)[0], directed_hausdorff(v, u)[0])
3.0

求生成 Hausdorff 距离(Hausdorff 对)的点的索引:

>>> directed_hausdorff(v, u)[1:]
(3, 3)

相关用法


注:本文由纯净天空筛选整理自scipy.org大神的英文原创作品 scipy.spatial.distance.directed_hausdorff。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。