🤖 AIによる機械翻訳（非公式） — これは OpenCV 5.0.0 公式リファレンス（英語）を AI (Claude) で自動翻訳したものです。訳に誤りを含む場合があります。正確な情報は公式英語版（原文）を参照してください。

java.lang.Object
- org.opencv.core.Algorithm
- - org.opencv.ml.StatModel
  - - org.opencv.ml.EM

```
public class EM extends StatModel
```
このクラスはEM (Expectation Maximization) アルゴリズムを実装する。参照: REF: ml_intro_em

フィールドの要約

フィールド
Modifier and Type	Field	Description
`static int`	`COV_MAT_DEFAULT`
`static int`	`COV_MAT_DIAGONAL`
`static int`	`COV_MAT_GENERIC`
`static int`	`COV_MAT_SPHERICAL`
`static int`	`DEFAULT_MAX_ITERS`
`static int`	`DEFAULT_NCLUSTERS`
`static int`	`START_AUTO_STEP`
`static int`	`START_E_STEP`
`static int`	`START_M_STEP`

クラス org.opencv.ml.StatModel から継承されたフィールド
COMPRESSED_INPUT, PREPROCESSED_INPUT, RAW_OUTPUT, UPDATE_MODEL

クラス org.opencv.core.Algorithm から継承されたフィールド
nativeObj

コンストラクタの要約

コンストラクタ
Modifier Constructor Description

protected EM(long addr)

メソッドの要約

すべてのメソッド静的メソッドインスタンスメソッド具象メソッド
Modifier and Type	Method	Description
`static EM`	`__fromPtr__(long addr)`
`static EM`	`create()`	Creates empty %EM model.
`int`	`getClustersNumber()`	SEE: setClustersNumber
`int`	`getCovarianceMatrixType()`	SEE: setCovarianceMatrixType
`void`	`getCovs(java.util.List<Mat> covs)`	Returns covariation matrices Returns vector of covariation matrices.
`Mat`	`getMeans()`	Returns the cluster centers (means of the Gaussian mixture) Returns matrix with the number of rows equal to the number of mixtures and number of columns equal to the space dimensionality.
`TermCriteria`	`getTermCriteria()`	SEE: setTermCriteria
`Mat`	`getWeights()`	Returns weights of the mixtures Returns vector with the number of elements equal to the number of mixtures.
`static EM`	`load(java.lang.String filepath)`	Loads and creates a serialized EM from a file Use EM::save to serialize and store an EM to disk.
`static EM`	`load(java.lang.String filepath, java.lang.String nodeName)`	Loads and creates a serialized EM from a file Use EM::save to serialize and store an EM to disk.
`float`	`predict(Mat samples)`	Returns posterior probabilities for the provided samples
`float`	`predict(Mat samples, Mat results)`	Returns posterior probabilities for the provided samples
`float`	`predict(Mat samples, Mat results, int flags)`	Returns posterior probabilities for the provided samples
`double[]`	`predict2(Mat sample, Mat probs)`	Returns a likelihood logarithm value and an index of the most probable mixture component for the given sample.
`void`	`setClustersNumber(int val)`	getClustersNumber SEE: getClustersNumber
`void`	`setCovarianceMatrixType(int val)`	getCovarianceMatrixType SEE: getCovarianceMatrixType
`void`	`setTermCriteria(TermCriteria val)`	getTermCriteria SEE: getTermCriteria
`boolean`	`trainE(Mat samples, Mat means0)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainE(Mat samples, Mat means0, Mat covs0)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainE(Mat samples, Mat means0, Mat covs0, Mat weights0)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainE(Mat samples, Mat means0, Mat covs0, Mat weights0, Mat logLikelihoods)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainE(Mat samples, Mat means0, Mat covs0, Mat weights0, Mat logLikelihoods, Mat labels)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainE(Mat samples, Mat means0, Mat covs0, Mat weights0, Mat logLikelihoods, Mat labels, Mat probs)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainEM(Mat samples)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainEM(Mat samples, Mat logLikelihoods)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainEM(Mat samples, Mat logLikelihoods, Mat labels)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainEM(Mat samples, Mat logLikelihoods, Mat labels, Mat probs)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainM(Mat samples, Mat probs0)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainM(Mat samples, Mat probs0, Mat logLikelihoods)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainM(Mat samples, Mat probs0, Mat logLikelihoods, Mat labels)`	Estimate the Gaussian mixture parameters from a samples set.
`boolean`	`trainM(Mat samples, Mat probs0, Mat logLikelihoods, Mat labels, Mat probs)`	Estimate the Gaussian mixture parameters from a samples set.

クラス org.opencv.ml.StatModel から継承されたメソッド
calcError, empty, getVarCount, isClassifier, isTrained, train, train, train

クラス org.opencv.core.Algorithm から継承されたメソッド
clear, getDefaultName, getNativeObjAddr, save

クラス java.lang.Object から継承したメソッド
clone, equals, finalize, getClass, hashCode, notify, notifyAll, toString, wait, wait, wait

- フィールドの詳細
  - DEFAULT_NCLUSTERS
```
public static final int DEFAULT_NCLUSTERS
```
    関連項目:
    
    定数フィールド値
  - DEFAULT_MAX_ITERS
```
public static final int DEFAULT_MAX_ITERS
```
    関連項目:
    
    定数フィールド値
  - START_E_STEP
```
public static final int START_E_STEP
```
    関連項目:
    
    定数フィールド値
  - START_M_STEP
```
public static final int START_M_STEP
```
    関連項目:
    
    定数フィールド値
  - START_AUTO_STEP
```
public static final int START_AUTO_STEP
```
    関連項目:
    
    定数フィールド値
  - COV_MAT_SPHERICAL
```
public static final int COV_MAT_SPHERICAL
```
    関連項目:
    
    定数フィールド値
  - COV_MAT_DIAGONAL
```
public static final int COV_MAT_DIAGONAL
```
    関連項目:
    
    定数フィールド値
  - COV_MAT_GENERIC
```
public static final int COV_MAT_GENERIC
```
    関連項目:
    
    定数フィールド値
  - COV_MAT_DEFAULT
```
public static final int COV_MAT_DEFAULT
```
    関連項目:
    
    定数フィールド値
- コンストラクタの詳細
  - EM
```
protected EM(long addr)
```
- メソッドの詳細
  - __fromPtr__
```
public static EM __fromPtr__(long addr)
```
  - getClustersNumber
```
public int getClustersNumber()
```
    SEE: setClustersNumber
    
    戻り値:
    
    自動生成
  - setClustersNumber
```
public void setClustersNumber(int val)
```
    getClustersNumber SEE: getClustersNumber
    
    引数:
    
    val - 自動生成
  - getCovarianceMatrixType
```
public int getCovarianceMatrixType()
```
    SEE: setCovarianceMatrixType
    
    戻り値:
    
    自動生成
  - setCovarianceMatrixType
```
public void setCovarianceMatrixType(int val)
```
    getCovarianceMatrixType SEE: getCovarianceMatrixType
    
    引数:
    
    val - 自動生成
  - getTermCriteria
```
public TermCriteria getTermCriteria()
```
    SEE: setTermCriteria
    
    戻り値:
    
    自動生成
  - setTermCriteria
```
public void setTermCriteria(TermCriteria val)
```
    getTermCriteria SEE: getTermCriteria
    
    引数:
    
    val - 自動生成
  - getWeights
```
public Mat getWeights()
```
    Returns weights of the mixtures Returns vector with the number of elements equal to the number of mixtures.
    
    戻り値:
    
    自動生成
  - getMeans
```
public Mat getMeans()
```
    Returns the cluster centers (means of the Gaussian mixture) Returns matrix with the number of rows equal to the number of mixtures and number of columns equal to the space dimensionality.
    
    戻り値:
    
    自動生成
  - getCovs
```
public void getCovs(java.util.List<Mat> covs)
```
    Returns covariation matrices Returns vector of covariation matrices. Number of matrices is the number of gaussian mixtures, each matrix is a square floating-point matrix NxN, where N is the space dimensionality.
    
    引数:
    
    covs - 自動生成
  - predict
```
public float predict(Mat samples,
                     Mat results,
                     int flags)
```
    Returns posterior probabilities for the provided samples
    
    オーバーライド:
    
    クラス StatModel 内の predict
    
    引数:
    
    samples - 入力サンプル。浮動小数点型の行列。
    
    results - 省略可能な出力。結果を格納する \( nSamples \times nClusters\) 行列。入力の各サンプルに対する事後確率を含む。
    
    flags - この引数は無視される。
    
    戻り値:
    
    自動生成
  - predict
```
public float predict(Mat samples,
                     Mat results)
```
    Returns posterior probabilities for the provided samples
    
    オーバーライド:
    
    クラス StatModel 内の predict
    
    引数:
    
    samples - 入力サンプル。浮動小数点型の行列。
    
    results - 省略可能な出力。結果を格納する \( nSamples \times nClusters\) 行列。入力の各サンプルに対する事後確率を含む。
    
    戻り値:
    
    自動生成
  - predict
```
public float predict(Mat samples)
```
    Returns posterior probabilities for the provided samples
    
    オーバーライド:
    
    クラス StatModel 内の predict
    
    引数:
    
    samples - 入力サンプル。浮動小数点型の行列。入力の各サンプルに対する事後確率。
    
    戻り値:
    
    自動生成
  - predict2
```
public double[] predict2(Mat sample,
                         Mat probs)
```
    Returns a likelihood logarithm value and an index of the most probable mixture component for the given sample.
    
    引数:
    
    sample - 分類対象のサンプル。\(1 \times dims\) または \(dims \times 1\) サイズのシングルチャンネル行列でなければならない。
    
    probs - 省略可能な出力行列。与えられたサンプルに対する各コンポーネントの事後確率を含む。\(1 \times nclusters\) サイズで CV_64FC1 型である。このメソッドは2要素の double ベクトルを返す。0番目の要素はサンプルの尤度の対数値である。1番目の要素は与えられたサンプルに対して最も確率の高い混合コンポーネントのインデックスである。
    
    戻り値:
    
    自動生成
  - trainEM
```
public boolean trainEM(Mat samples,
                       Mat logLikelihoods,
                       Mat labels,
                       Mat probs)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Expectation step. Initial values of the model parameters will be estimated by the k-means algorithm. Unlike many of the ML models, %EM is an unsupervised learning algorithm and it does not take responses (class labels or function values) as input. Instead, it computes the *Maximum Likelihood Estimate* of the Gaussian mixture parameters from an input sample set, stores all the parameters inside the structure: \(p_{i,k}\) in probs, \(a_k\) in means , \(S_k\) in covs[k], \(\pi_k\) in weights , and optionally computes the output "class label" for each sample: \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\) (indices of the most probable mixture component for each sample). The trained model can be used further for prediction, just like any other classifier. The trained model is similar to the NormalBayesClassifier.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    logLikelihoods - 省略可能な出力行列。各サンプルに対する尤度の対数値を含む。\(nsamples \times 1\) サイズで CV_64FC1 型である。
    
    labels - 各サンプルに対する省略可能な出力「クラスラベル」: \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。
    
    probs - 省略可能な出力行列。各サンプルに対する各ガウス混合コンポーネントの事後確率を含む。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainEM
```
public boolean trainEM(Mat samples,
                       Mat logLikelihoods,
                       Mat labels)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Expectation step. Initial values of the model parameters will be estimated by the k-means algorithm. Unlike many of the ML models, %EM is an unsupervised learning algorithm and it does not take responses (class labels or function values) as input. Instead, it computes the *Maximum Likelihood Estimate* of the Gaussian mixture parameters from an input sample set, stores all the parameters inside the structure: \(p_{i,k}\) in probs, \(a_k\) in means , \(S_k\) in covs[k], \(\pi_k\) in weights , and optionally computes the output "class label" for each sample: \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\) (indices of the most probable mixture component for each sample). The trained model can be used further for prediction, just like any other classifier. The trained model is similar to the NormalBayesClassifier.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    logLikelihoods - 省略可能な出力行列。各サンプルに対する尤度の対数値を含む。\(nsamples \times 1\) サイズで CV_64FC1 型である。
    
    labels - 各サンプルに対する省略可能な出力「クラスラベル」: \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainEM
```
public boolean trainEM(Mat samples,
                       Mat logLikelihoods)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Expectation step. Initial values of the model parameters will be estimated by the k-means algorithm. Unlike many of the ML models, %EM is an unsupervised learning algorithm and it does not take responses (class labels or function values) as input. Instead, it computes the *Maximum Likelihood Estimate* of the Gaussian mixture parameters from an input sample set, stores all the parameters inside the structure: \(p_{i,k}\) in probs, \(a_k\) in means , \(S_k\) in covs[k], \(\pi_k\) in weights , and optionally computes the output "class label" for each sample: \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\) (indices of the most probable mixture component for each sample). The trained model can be used further for prediction, just like any other classifier. The trained model is similar to the NormalBayesClassifier.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    logLikelihoods - 省略可能な出力行列。各サンプルに対する尤度の対数値を含む。\(nsamples \times 1\) サイズで CV_64FC1 型である。 \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainEM
```
public boolean trainEM(Mat samples)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Expectation step. Initial values of the model parameters will be estimated by the k-means algorithm. Unlike many of the ML models, %EM is an unsupervised learning algorithm and it does not take responses (class labels or function values) as input. Instead, it computes the *Maximum Likelihood Estimate* of the Gaussian mixture parameters from an input sample set, stores all the parameters inside the structure: \(p_{i,k}\) in probs, \(a_k\) in means , \(S_k\) in covs[k], \(\pi_k\) in weights , and optionally computes the output "class label" for each sample: \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\) (indices of the most probable mixture component for each sample). The trained model can be used further for prediction, just like any other classifier. The trained model is similar to the NormalBayesClassifier.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。各サンプル。\(nsamples \times 1\) サイズで CV_64FC1 型である。 \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0,
                      Mat covs0,
                      Mat weights0,
                      Mat logLikelihoods,
                      Mat labels,
                      Mat probs)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Expectation step. You need to provide initial means \(a_k\) of mixture components. Optionally you can pass initial weights \(\pi_k\) and covariance matrices \(S_k\) of mixture components.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    means0 - 混合コンポーネントの初期平均 \(a_k\)。\(nclusters \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    covs0 - 混合コンポーネントの初期共分散行列 \(S_k\) のベクトル。各共分散行列は \(dims \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    weights0 - 混合コンポーネントの初期重み \(\pi_k\)。\(1 \times nclusters\) または \(nclusters \times 1\) サイズのシングルチャンネル浮動小数点型行列でなければならない。
    
    logLikelihoods - 省略可能な出力行列。各サンプルに対する尤度の対数値を含む。\(nsamples \times 1\) サイズで CV_64FC1 型である。
    
    labels - 各サンプルに対する省略可能な出力「クラスラベル」: \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。
    
    probs - 省略可能な出力行列。各サンプルに対する各ガウス混合コンポーネントの事後確率を含む。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0,
                      Mat covs0,
                      Mat weights0,
                      Mat logLikelihoods,
                      Mat labels)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Expectation step. You need to provide initial means \(a_k\) of mixture components. Optionally you can pass initial weights \(\pi_k\) and covariance matrices \(S_k\) of mixture components.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    means0 - 混合コンポーネントの初期平均 \(a_k\)。\(nclusters \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    covs0 - 混合コンポーネントの初期共分散行列 \(S_k\) のベクトル。各共分散行列は \(dims \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    weights0 - 混合コンポーネントの初期重み \(\pi_k\)。\(1 \times nclusters\) または \(nclusters \times 1\) サイズのシングルチャンネル浮動小数点型行列でなければならない。
    
    logLikelihoods - 省略可能な出力行列。各サンプルに対する尤度の対数値を含む。\(nsamples \times 1\) サイズで CV_64FC1 型である。
    
    labels - 各サンプルに対する省略可能な出力「クラスラベル」: \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0,
                      Mat covs0,
                      Mat weights0,
                      Mat logLikelihoods)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Expectation step. You need to provide initial means \(a_k\) of mixture components. Optionally you can pass initial weights \(\pi_k\) and covariance matrices \(S_k\) of mixture components.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    means0 - 混合コンポーネントの初期平均 \(a_k\)。\(nclusters \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    covs0 - 混合コンポーネントの初期共分散行列 \(S_k\) のベクトル。各共分散行列は \(dims \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    weights0 - 混合コンポーネントの初期重み \(\pi_k\)。\(1 \times nclusters\) または \(nclusters \times 1\) サイズのシングルチャンネル浮動小数点型行列でなければならない。
    
    logLikelihoods - 省略可能な出力行列。各サンプルに対する尤度の対数値を含む。\(nsamples \times 1\) サイズで CV_64FC1 型である。 \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0,
                      Mat covs0,
                      Mat weights0)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Expectation step. You need to provide initial means \(a_k\) of mixture components. Optionally you can pass initial weights \(\pi_k\) and covariance matrices \(S_k\) of mixture components.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    means0 - 混合コンポーネントの初期平均 \(a_k\)。\(nclusters \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    covs0 - 混合コンポーネントの初期共分散行列 \(S_k\) のベクトル。各共分散行列は \(dims \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    weights0 - 混合コンポーネントの初期重み \(\pi_k\)。\(1 \times nclusters\) または \(nclusters \times 1\) サイズのシングルチャンネル浮動小数点型行列でなければならない。各サンプル。\(nsamples \times 1\) サイズで CV_64FC1 型である。 \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0,
                      Mat covs0)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Expectation step. You need to provide initial means \(a_k\) of mixture components. Optionally you can pass initial weights \(\pi_k\) and covariance matrices \(S_k\) of mixture components.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    means0 - 混合コンポーネントの初期平均 \(a_k\)。\(nclusters \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    covs0 - 混合コンポーネントの初期共分散行列 \(S_k\) のベクトル。各共分散行列は \(dims \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。\(1 \times nclusters\) または \(nclusters \times 1\) サイズの浮動小数点型行列。各サンプル。\(nsamples \times 1\) サイズで CV_64FC1 型である。 \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainE
```
public boolean trainE(Mat samples,
                      Mat means0)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Expectation step. You need to provide initial means \(a_k\) of mixture components. Optionally you can pass initial weights \(\pi_k\) and covariance matrices \(S_k\) of mixture components.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    means0 - 混合コンポーネントの初期平均 \(a_k\)。\(nclusters \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。共分散行列は \(dims \times dims\) サイズのシングルチャンネル行列である。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。\(1 \times nclusters\) または \(nclusters \times 1\) サイズの浮動小数点型行列。各サンプル。\(nsamples \times 1\) サイズで CV_64FC1 型である。 \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainM
```
public boolean trainM(Mat samples,
                      Mat probs0,
                      Mat logLikelihoods,
                      Mat labels,
                      Mat probs)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Maximization step. You need to provide initial probabilities \(p_{i,k}\) to use this option.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    probs0 - 確率
    
    logLikelihoods - 省略可能な出力行列。各サンプルに対する尤度の対数値を含む。\(nsamples \times 1\) サイズで CV_64FC1 型である。
    
    labels - 各サンプルに対する省略可能な出力「クラスラベル」: \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。
    
    probs - 省略可能な出力行列。各サンプルに対する各ガウス混合コンポーネントの事後確率を含む。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainM
```
public boolean trainM(Mat samples,
                      Mat probs0,
                      Mat logLikelihoods,
                      Mat labels)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Maximization step. You need to provide initial probabilities \(p_{i,k}\) to use this option.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    probs0 - 確率
    
    logLikelihoods - 省略可能な出力行列。各サンプルに対する尤度の対数値を含む。\(nsamples \times 1\) サイズで CV_64FC1 型である。
    
    labels - 各サンプルに対する省略可能な出力「クラスラベル」: \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainM
```
public boolean trainM(Mat samples,
                      Mat probs0,
                      Mat logLikelihoods)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Maximization step. You need to provide initial probabilities \(p_{i,k}\) to use this option.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    probs0 - 確率
    
    logLikelihoods - 省略可能な出力行列。各サンプルに対する尤度の対数値を含む。\(nsamples \times 1\) サイズで CV_64FC1 型である。 \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - trainM
```
public boolean trainM(Mat samples,
                      Mat probs0)
```
    Estimate the Gaussian mixture parameters from a samples set. This variation starts with Maximization step. You need to provide initial probabilities \(p_{i,k}\) to use this option.
    
    引数:
    
    samples - ガウス混合モデルを推定するためのサンプル。シングルチャンネル行列で、各行が1つのサンプルである。行列が CV_64F 型でない場合、以降の計算のために内部でその型の行列に変換される。
    
    probs0 - 確率。各サンプル。\(nsamples \times 1\) サイズで CV_64FC1 型である。 \(\texttt{labels}_i=\texttt{arg max}_k(p_{i,k}), i=1..N\)（各サンプルに対して最も確率の高い混合コンポーネントのインデックス）。\(nsamples \times 1\) サイズで CV_32SC1 型である。各サンプルに対する混合コンポーネント。\(nsamples \times nclusters\) サイズで CV_64FC1 型である。
    
    戻り値:
    
    自動生成
  - create
```
public static EM create()
```
    Creates empty %EM model. The model should be trained then using StatModel::train(traindata, flags) method. Alternatively, you can use one of the EM::train\* methods or load it from file using Algorithm::load<EM>(filename).
    
    戻り値:
    
    自動生成
  - load
```
public static EM load(java.lang.String filepath,
                      java.lang.String nodeName)
```
    Loads and creates a serialized EM from a file Use EM::save to serialize and store an EM to disk. Load the EM from this file again, by calling this function with the path to the file. Optionally specify the node for the file containing the classifier
    
    引数:
    
    filepath - シリアライズされた EM へのパス
    
    nodeName - 分類器を含むノードの名前
    
    戻り値:
    
    自動生成
  - load
```
public static EM load(java.lang.String filepath)
```
    Loads and creates a serialized EM from a file Use EM::save to serialize and store an EM to disk. Load the EM from this file again, by calling this function with the path to the file. Optionally specify the node for the file containing the classifier
    
    引数:
    
    filepath - シリアライズされた EM へのパス
    
    戻り値:
    
    自動生成

クラス EM

フィールドの要約

クラス org.opencv.ml.StatModel から継承されたフィールド

クラス org.opencv.core.Algorithm から継承されたフィールド

コンストラクタの要約

メソッドの要約

クラス org.opencv.ml.StatModel から継承されたメソッド

クラス org.opencv.core.Algorithm から継承されたメソッド

クラス java.lang.Object から継承したメソッド

フィールドの詳細

DEFAULT_NCLUSTERS

DEFAULT_MAX_ITERS

START_E_STEP

START_M_STEP

START_AUTO_STEP

COV_MAT_SPHERICAL

COV_MAT_DIAGONAL

COV_MAT_GENERIC

COV_MAT_DEFAULT

コンストラクタの詳細

EM

メソッドの詳細

__fromPtr__

getClustersNumber

setClustersNumber

getCovarianceMatrixType

setCovarianceMatrixType

getTermCriteria

setTermCriteria

getWeights

getMeans

getCovs

predict

predict

predict

predict2

trainEM

trainEM

trainEM

trainEM

trainE

trainE

trainE

trainE

trainE

trainE

trainM

trainM

trainM

trainM

create

load

load

fromPtr