scipy.spatial.distance.directed_hausdorff

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

计算两个二维阵列之间的有向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)类数组

输入数组。

v(O，N)类数组

输入数组。

seed整型或无

本地 numpy.random.RandomState 种子。默认值为0，这是u和v的随机混洗，以保证可重现性。

退货

d双倍

阵列之间的有向Hausdorff距离 u 和 v ，

index_1集成

中对Hausdorff对有贡献的点的指标 u

index_2集成

中对Hausdorff对有贡献的点的指标 v

加薪

ValueError

如果出现以下情况，则会引发异常 u 和 v 列数不同。

参见

scipy.spatial.procrustes

两个数据集的另一种相似性检验

注意事项

描述的早期中断技术和随机抽样方法。 [1]. 尽管最坏情况下的性能是 O(m * o) (与强力算法一样)，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，并且在此之后算法会对输入点进行混洗。最佳情况下的性能是O(M)，这是通过选择小于CMAX的内环距离来满足的，并且会导致尽可能多的提前中断。作者已经正式证明了平均运行时间更接近O(M)。

0.19.0 新版功能.

参考文献

1

A.A.Taha和A.Hanbury合著的“一种计算精确Hausdorff距离的有效算法”。IEEE模式分析和机器智能学报，第一卷。37页，2153-63页，2015年。

示例

找出两个二维坐标数组之间的有向Hausdorff距离：

>>> from scipy.spatial.distance import directed_hausdorff
>>> 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

求出两个二维坐标阵列之间的常规(对称)Hausdorff距离：

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

查找生成Hausdorff距离(Hausdorff对)的点的索引：

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

上一页

scipy.spatial.distance.squareform

下一页

scipy.spatial.distance.is_valid_dm