euclidean-distance

    3热度

    1回答

    我正在使用CBIR(基于内容的图像检索)项目,该项目将绘制图像的RGB直方图,并计算其他图像与查询图像之间的距离。 我使用VS 2008 - MFC和OpenCV库。我想用来计算距离的方法是欧几里得距离(ED),但不知何故,我没有解决这个问题。 我发现了一个函数--cvCalcEMD2(),它可以帮助我计算两个直方图之间的距离。 要使用此功能,我需要为我的直方图创建签名。 下面是一个example

    2热度

    4回答

    我正在努力比较多个图像。我将这些图像数据作为称为“图像”的矩阵的列向量。我想通过首先计算它们的Eucledian距离来评估图像的相似性。然后我想创建一个矩阵,我可以执行多个随机游走。现在,我的代码如下: % clear % clc % close all % % load tea.mat; images = Input.X; M = zeros(size(images, 2), s

    9热度

    7回答

    我有一个n维点的集合,我想找到哪个2最接近。我能想出的2个维的最好的是: from numpy import * myArr = array([[1, 2], [3, 4], [5, 6], [7, 8]]) n = myArr.shape[0] cross = [[sum((myArr[i] - myArr[j]) ** 2), i, j]

    3热度

    1回答

    我需要计算两个矩形在特殊的x/y网格上产生的重叠(数量或是/否)。网格是500x500,但边和角连接(是连续的)。所以499之后的下一个点再次变为0。 在上一个问题中,我要求一种方法来计算这个网格中两点之间的距离。这原来是欧几里德距离: sqrt(min(|x1 - x2|, gridwidth - |x1 - x2|)^2 + min(|y1 - y2|, gridheight - |y1-y2

    35热度

    5回答

    我有X两个数组 - ÿ坐标,并且我想找到在一个阵列与每个点之间的最小欧几里得距离全部其他阵列中的点。数组不一定是相同的大小。例如: xy1=numpy.array( [[ 243, 3173], [ 525, 2997]]) xy2=numpy.array( [[ 682, 2644], [ 277, 2651], [ 396, 2640]]) 我的当前方法遍历每个坐标在xy1xy并

    1热度

    6回答

    彼此寻找城市(与它的经度和纬度) 我怎么会去找出哪些城市是彼此接近? 即在英格兰,剑桥离伦敦很近。 所以如果我有一个住在剑桥的用户。接近他们的用户将生活在密切的周边城市,如伦敦,赫特福德等用户。 任何想法如何我可以去这个?而且,我将如何定义什么是接近的?即在英国接近比在美国更接近美国,因为美国更加分散。 想法和建议。另外,你是否知道提供这种功能的任何服务? 感谢

    3热度

    2回答

    我点的numpy的数组: points = rand(dim, n_points) 我需要: 计算所有L2范数(欧几里得距离)的某个点和所有其他之间分数 计算所有成对距离。 并且最好是所有的numpy和no的。如何做到这一点?

    2热度

    2回答

    鉴于:实数的数组A[1..n]。 目标:数组D[1..n]使得 D[i] = min{ distance(i,j) : A[j] > A[i] } 或一些默认值(如0)当不存在更高值元素。我真的很想在这里使用欧几里德距离。 例: A = [-1.35, 3.03, 0.73, -0.06, 0.71, -0.21, -0.12, 1.49, 1.41, 1.42] D = [1, 0, 1,

    0热度

    5回答

    给定两点P,Q和一个德尔塔,我定义了等价关系〜=,其中P = = Q如果EuclideanDistance(P,Q) < =德尔塔。现在,在例子S =(A,B,C,D,E,F)和n = 6(事实上点实际上是段的端点可以忽略)的情况下,给定一组S的n点,有一种算法的复杂性比O(n^2)更好,在平均情况下找到该分区的一个分区(子集的代表性元素不重要)? 尝试找到这个问题的理论定义到目前为止是不成功的:

    5热度

    4回答

    看来这个答案应该很简单,但我很难过。我有一个N×3矩阵的矩阵,其中第一个第二和第三列是第n个项目的X Y和Z坐标。我想计算从原点到项目的距离。在非矢量化的形式中,这很容易。 distance = norm([x y z]); 或 距离= SQRT(X^2 + Y^2 + Z^2); 但是,在向量化的形式它并不那么简单。当你传递一个矩阵来规范它不再返回欧几里德长度。 distance = norm(