Eigen中两个矩阵之间的成对差异根据所需的矩阵之间的成对距离如

matlab/octave。通过一个函数调用（参见cvKmeans.m）计算k均值，以distFunc(Codebook, X)作为参数两个尺寸为K x D的矩阵。Eigen中两个矩阵之间的成对差异根据所需的矩阵之间的成对距离如

在Eigen这是可以做到对一个矩阵，并通过使用广播一个载体，作为eigen.tuxfamily.org解释：

(m.colwise() - v).colwise().squaredNorm().minCoeff(&index);

然而，在这种情况下v不只是一个载体，但矩阵。 Eigen中的等效线轴是什么来计算两个矩阵之间的所有条目之间的成对（欧几里得）距离？

来源

2013-10-09 Anne van Rossum

我认为合适的解决方案是将此功能抽象为一个函数。该功能可能是模板化的;它可能会使用一个循环 - 毕竟，循环会很短。许多矩阵操作都是使用循环实现的 - 这不是问题。

例如，给出你的例子...

MatrixXd p0(2, 4); 
p0 << 
    1, 23, 6, 9, 
    3, 11, 7, 2; 

MatrixXd p1(2, 2); 
p1 << 
    2, 20, 
    3, 10;

然后我们可以构建一个矩阵d使得d（I，J）= | （i） - p （i） - p （j）|

MatrixXd D(p0.cols(), p0.rows()); 
for (int i = 0; i < p1.cols(); i++) 
    D.col(i) = (p0.colwise() - p1.col(i)).colwise().squaredNorm().transpose();

我觉得这是很好 - 我们可以使用一些广播避免2层嵌套：我们遍历p的点，但不超过p的积分，也不超过它们的尺寸。

但是，如果您观察到了这种情况，您可以制作一个oneliner | （i） - p （i） - p （j）| = | p （i）| + | p （j）| - 2 p （ⅰ）^Ťp （j）的。尤其是，最后的组件只是矩阵乘法，所以d = -2 p^Ťp + ...

坯件离开待填充是由仅取决于行的组件组成;以及仅取决于列的组件：这些可以使用rowwise和columnwise操作来表示。

最后的 “oneliner” 则是：

D = ((p0.transpose() * p1 * -2 
    ).colwise() + p0.colwise().squaredNorm().transpose() 
    ).rowwise() + p1.colwise().squaredNorm();

您也可以与（外）的产物与矢量更换横行/ colwise欺骗。

两种方法都导致以下（平方）距离：

你不得不基准，这是最快的，但我也不会惊讶地看到环夺冠，我希望这是更也可读。

来源

2014-06-07 15:18:47

Eigen比我一见钟情更让人头疼。

没有reshape()功能，例如（和conservativeResize是另一回事）。
似乎（我想纠正）Map不只是提供一个数据视图，但临时变量的分配似乎是必需的。
colwise运算符后面的minCoeff函数不能返回该元素的最小元素和索引。

目前还不清楚replicate是否实际上分配了重复的数据。广播背后的原因是这不是必需的。

matrix_t data(2,4); 
matrix_t means(2,2); 

// data points 
data << 1, 23, 6, 9, 
     3, 11, 7, 2; 

// means 
means << 2, 20, 
     3, 10; 

std::cout << "Data: " << std::endl; 
std::cout << data.replicate(2,1) << std::endl; 

column_vector_t temp1(4); 
temp1 = Eigen::Map<column_vector_t>(means.data(),4); 

std::cout << "Means: " << std::endl; 
std::cout << temp1.replicate(1,4) << std::endl; 

matrix_t temp2(4,4); 
temp2 = (data.replicate(2,1) - temp1.replicate(1,4)); 
std::cout << "Differences: " << std::endl; 
std::cout << temp2 << std::endl; 

matrix_t temp3(2,8); 
temp3 = Eigen::Map<matrix_t>(temp2.data(),2,8); 
std::cout << "Remap to 2xF: " << std::endl; 
std::cout << temp3 << std::endl; 

matrix_t temp4(1,8); 
temp4 = temp3.colwise().squaredNorm(); 
std::cout << "Squared norm: " << std::endl; 
std::cout << temp4 << std::endl;//.minCoeff(&index); 

matrix_t temp5(2,4); 
temp5 = Eigen::Map<matrix_t>(temp4.data(),2,4); 
std::cout << "Squared norm result, the distances: " << std::endl; 
std::cout << temp5.transpose() << std::endl; 

//matrix_t::Index x, y; 
std::cout << "Cannot get the indices: " << std::endl; 
std::cout << temp5.transpose().colwise().minCoeff() << std::endl; // .minCoeff(&x,&y);

这不是一个很好的oneliner，似乎矫枉过正只是每列data每列means比较，并与他们之间的分歧返回一个矩阵。然而，Eigen的多功能性似乎并不是这样可以写得更短。

来源

2013-10-10 13:08:11

Eigen中两个矩阵之间的成对差异根据所需的矩阵之间的成对距离如

回答

相关问题