scipy.spatial.distance.

directed_hausdorff#

scipy.spatial.distance.directed_hausdorff(u, v, seed=0)[源代码][源代码]#

计算两个二维数组之间的有向Hausdorff距离。

使用欧几里得度量计算成对距离。

参数:

u(M,N) array_like: 在 N 维空间中的 M 个点的输入数组。
v(O,N) array_like: 输入数组包含 N 维中的 O 个点。
种子int 或 None, 可选: 本地 numpy.random.RandomState 种子。默认值为 0，对 u 和 v 进行随机洗牌，保证可重复性。

返回:

d双: 数组 u 和 v 之间的有向Hausdorff距离，
index_1整数: u 中 Hausdorff 对贡献点的索引
index_2整数: v 中 Hausdorff 对的贡献点索引

Raises:

ValueError: 如果 u 和 v 的列数不同，则会抛出异常。

参见

scipy.spatial.procrustes: 两个数据集的另一个相似性测试

注释

使用了 [1] 描述的早期中断技术和随机采样方法。尽管最坏情况下的性能是 ``O(m * o)``（与暴力算法相同），但在实践中这种情况不太可能发生，因为输入数据需要算法探索每一个点的交互，并且在算法打乱输入点之后。最好的情况性能是 O(m)，通过选择一个小于 cmax 的内循环距离来实现，这通常会导致早期中断。作者已经正式证明，平均运行时间更接近 O(m)。

Added in version 0.19.0.

参考文献

[1]

A. A. Taha and A. Hanbury, “An efficient algorithm for calculating the exact Hausdorff distance.” IEEE Transactions On Pattern Analysis And Machine Intelligence, vol. 37 pp. 2153-63, 2015.

示例

计算两个二维坐标数组之间的有向Hausdorff距离：

>>> from scipy.spatial.distance import directed_hausdorff
>>> import numpy as np
>>> 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

计算两个二维坐标数组的通用（对称）Hausdorff距离：

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

找到生成Hausdorff距离的点的索引（Hausdorff对）：

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