如何解决特征矩阵的容器
我正在寻找一种方法来存储类似矩阵的传感器测量结构,它们本身也是矩阵或向量。举一个更具体的例子:让我们看一张图像,其中单个像素的 RGB 值可以表示为 Eigen::Vector3f
。因此,整个图像将变得像
typedef Eigen::Array<Eigen::Vector3f,Eigen::Dynamic,Eigen::Dynamic> Image
。
在我们可以拥有的基础上再增加一层
typedef Eigen::Array<Image,1> VideoRecording
或
typedef Eigen::Array<Image,Eigen::Dynamic Image> CamaraArrayCapture
。
现在,我不需要对那些外部存储容器进行大量数学运算,尽管一些顶级乘法和加法运算符对于规范化目的会很方便。但是,对我来说必不可少的是块操作,例如用于访问图像蓝色通道或从特定时间检索 VideoRecording
中的所有图像。最后但并非最不重要的一点,我希望容器是可迭代的。
经过深思熟虑后,我想到了以下想法:
-
使用简单的
Eigen::Array
或Eigen::Matrix
,如介绍所示,并实现一些免费函数,为嵌套块操作返回类似Eigen::Array<Eigen::Map<Eigen::Matrix<float,1>>>
的内容。虽然这可能是最快的实现,但我不太喜欢这个,因为嵌套的特征矩阵并没有被正式支持...... -
使用与上面相同的方法,但不要使用自由函数,而是将其包装在自定义类中,这样库的用户就不会期望像
VideoRecording
xVideoRecording
这样不受支持的操作乘法工作。 -
使用来自 Eigen-unsupported 的
Eigen::Tensor
进行数据存储。它执行非常强大的切片操作,但我会丢失有关所包含数据的所有语义。调整数据集大小也会变得非常低效,因为它需要复制所有过去图像中的所有数据。 -
有一个
Eigen::Image
类,它将RGB图像存储为3 x (row*cols)
矩阵,其中每一列代表一个像素。从这个事实来看,该类在 Eigen 的 Wiki 中甚至没有自己的条目,而且我发现的少数 Google 搜索结果我猜这个类并不广为人知和/或使用。同样,它仍然会留下如何表示多个图像的结构的问题。 -
当你的工具是锤子时,一切看起来都像钉子 - 忘记使用 Eigen 类型作为外部结构并使用其他东西,例如通过实现具有
std::vector
成员的类。因为这意味着从头开始重新构建所有块操作,这对我来说有点像重新发明轮子......
虽然我目前支持选项二,但我必须承认我对这两种方法都不太满意......因为我肯定不是第一个询问如何使用特征类型表示图像的人,我想知道我是否遗漏了什么,实现此功能的最佳做法是什么?
解决方法
在考虑了一段时间并尝试了各种方法之后,我最终以一种方式包装了一个 Eigen::Tensor
,我将一个等级隐藏在外面,然后返回 Eigen::Map
到一个特定的“像素” ”。基本思路如下:
template <Eigen::Index Rank,typename Scalar,Eigen::Index MeasurementRows>
class MeasurementTensor {
public:
typedef Eigen::Tensor<Scalar,Rank+1,Eigen::ColMajor> tensor_type;
typedef Eigen::Map<Eigen::Matrix<Scalar,MeasurementRows,1>> measurement_type;
template<typename... IndexTypes>
MeasurementTensor(Eigen::Index firstDimension,IndexTypes... otherDimensions)
: _tensor(MeasurementRows,firstDimension,otherDimensions...) {
_tensor.setZero();
}
template<typename... IndexTypes>
inline measurement_type operator()(Eigen::Index firstDimension,Eigen::Index secondIndex,IndexTypes... otherDimensions) {
return measurement_type(parent::tensor().data() + getScalarIndex(0,secondIndex,otherDimensions...));
}
inline measurement_type operator[](Eigen::Index linearIndex) const {
return measurement_type(parent::tensor().data() + MeasurementRows * linearIndex);
}
private:
template<typename... IndexTypes>
Eigen::Index getScalarIndex(Eigen::Index firstIndex,IndexTypes... otherIndices) const {
return _tensor.dimensions().IndexOfColMajor(
Eigen::array<Eigen::Index,Rank+1>{{firstIndex,otherIndices...}}
);
}
tensor_type _tensor;
};
/// Specialization for dynamic measurement sizes
template <Eigen::Index Rank,typename Scalar>
class MeasurementTensor<Rank,Scalar,Eigen::Dynamic> {
...
};
最重要的是,我使用了一些 typedef 来保持我的语义,例如:
typedef MeasurementTensor<2,float,3> RBGImage;
typedef MeasurementTensor<3,3> RBGImageSequence;
不幸的是,Eigen 对张量的切片操作似乎不像它的 Matrices 块对象那样易于使用。到目前为止,我没有找到一种方法来访问 Eigen::TensorSlicingOp
的单个值而不先将它分配给第二个 Tensor
。因此切片操作总是需要分配新内存并复制所有值......
但是,在大多数情况下,可以使用与上述相同的类包装 Eigen::TensorMap
来处理 Tensor
的子集。
由于我不进行在线处理,因此我还决定使用 std::vector<RBGImage>
来更有效地收集原始数据,并且仅在记录完成后将所有数据一起复制到一个有争议的内存中。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。