特征矩阵的容器

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 x VideoRecording 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。

如何解决特征矩阵的容器

解决方法

相关推荐