pyemd 0.5.1

pyemd:python的快速emd

pyemd是一个python包装器，用于 ofir pele和michael werman的 earth mover的实现 距离 允许 它要和纽比一起用。 如果您使用此代码，请引用列出的论文 在本文档末尾。

安装

pip install pyemd

用法

>>>frompyemdimportemd>>>importnumpyasnp>>>first_histogram=np.array([0.0,1.0])>>>second_histogram=np.array([5.0,3.0])>>>distance_matrix=np.array([[0.0,0.5],...[0.5,0.0]])>>>emd(first_histogram,second_histogram,distance_matrix)3.5

您还可以获得相关的最低成本流：

>>>frompyemdimportemd_with_flow>>>emd_with_flow(first_histogram,second_histogram,distance_matrix)(3.5,[[0.0,0.0],[0.0,1.0]])

您还可以直接从两个观测阵列计算EMD：

>>>frompyemdimportemd_samples>>>first_array=[1,2,3,4]>>>second_array=[2,3,4,5]>>>emd_samples(first_array,second_array,bins=2)0.5

文档

emd（）

emd(first_histogram,second_histogram,distance_matrix,extra_mass_penalty=-1.0)

参数：

• 第一直方图 （np.ndarray） ：类型为 np.float64 的一维数组 长度 n
• 二次直方图 （np.ndarray） ：长度为 np.float64 的一维数组 n
• 距离矩阵 （np.ndarray） ：大小为 最小值 n × n 。这定义了基本的度量，或地面距离，通过 给出直方图箱之间的成对距离。它必须代表 公制；如果没有，则没有警告。

关键字参数：

• 额外质量惩罚 （float） ：额外质量的惩罚。如果你想 结果距离为公制，应至少为 空间（任何两点之间的最大可能距离）。如果你想要 部分匹配您可以将其设置为零（但是结果距离是 不能保证是公制的）。默认值为 -1.0 ，这意味着 使用距离矩阵中的最大值。

返回： （浮点） EMD值。

---

EMD_带_flow（）

emd_with_flow(first_histogram,second_histogram,distance_matrix,extra_mass_penalty=-1.0)

参数与 emd（） 的参数相同

返回： （元组（float，list（list（float））） EMD值和相关联的 最低成本流。

---

emd_samples（）

emd_samples(first_array,second_array,extra_mass_penalty=-1.0,distance='euclidean',normalized=True,bins='auto',range=None)

参数：

• 第一个数组 （iterable） ：用于生成 直方图。
• 第二个数组 （iterable） ：用于生成 直方图。

关键字参数：

• 额外质量惩罚 （浮点） ：与 emd（） 相同
• 距离 （字符串或函数） ：实现 1d np.ndarray 上的度量。默认为欧几里德距离。目前 仅限于"euclidean"或您自己的函数，它必须采用1d数组和 返回成对距离的二维正方形数组。
• 标准化 （ 布尔型 ）：如果为真（默认值），则将直方图视为分数 数据集的。如果为false，则将直方图视为计数。在后一种情况下 EMD将随阵列长度变化很大H.
• 箱 （int或string） ：要包含在生成的 直方图。如果是字符串，则必须是接受的bin选择算法之一 通过 np.histogram（） 。默认为 'auto' ，它给出 "sturges"和"fd"估计量。
• 范围 （元组（int，int）） ：传递的容器的上下范围 到 numpy.histogram（） 。默认为联合的范围 第一个数组和第二个数组。注：如果给定范围不是 默认范围的超集，不会发出警告。

返回： （float） 第一个数组和 第二个阵列

---

限制和注意事项

• emd（） 和 emd_with_flow（） ：
  • 假设 距离矩阵 表示一个度量；没有检查 以确保这是真的。请参阅中的文档 pyemd/lib/emd_hat.hpp 了解更多信息。
  • 直方图和距离矩阵必须是 np.float64 。原始C++模板函数可以接受任何数值 c++类型，但是这个包装器只使用 双 实例化模板 （cython将 np.float64 转换为 double ）。如果有需求，我可以补充 支持其他类型。
• emd_with_flow（） ：
  • 流量矩阵不包含流向/来自额外质量仓的流量。
• emd_samples（） ：
  • 使用默认的 bin="auto" 会导致对 np.histogram（） 确定箱子长度，因为numpy bin选择器在公共api中不公开。为了演出，你可以 想自己设置垃圾箱。

贡献

为了帮助开发pyemd，在github上派生项目并安装需求 使用 pip install -r requirements.txt

生成文件定义了一些有助于开发的任务：

• 测试 ：运行测试套件
• 构建 生成并编译cython扩展
• 清除 ：删除已编译的cython扩展名
• 默认值 ：运行 生成

不同python环境的测试可以使用 tox

学分

• 实际算法和实现的所有功劳都归于 ofir pele 和 michael werman 。请参阅相关论文
• 感谢cython开发人员相对地制作了这种包装器 易于书写。

如果您使用此代码，请引用这些文件：

贝利和迈克尔沃曼。改进sift的线性时间直方图度量 匹配. 计算机视觉-ECCV2008 ，法国马赛，2008年，第495-508页。

@INPROCEEDINGS{pele2008,
  title={A linear time histogram metric for improved sift matching},
  author={Pele, Ofir and Werman, Michael},
  booktitle={Computer Vision--ECCV 2008},
  pages={495--508},
  year={2008},
  month={October},
  publisher={Springer}}

贝利和迈克尔沃曼。快速有力的地球移动距离。

2009年IEEE第12届国际计算机视觉会议，日本京都，2009年，第460-467页。

@INPROCEEDINGS{pele2009,
  title={Fast and robust earth mover's distances},
  author={Pele, Ofir and Werman, Michael},
  booktitle={2009 IEEE 12th International Conference on Computer Vision},
  pages={460--467},
  year={2009},
  month={September},
  organization={IEEE}}