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)