OpencvSharp 算子学习教案之 - Cv2.CalcCovarMatrix 重载1-平芜编程栈

OpencvSharp 算子学习教案之 - Cv2.CalcCovarMatrix 重载1

大家好，Opencv在很多工程项目中都会用到，而OpencvSharp则是以C#开发与实现的Opencv操作库，对.NET开发人员友好，但很多API的中文资料、应用场景及常见坑点等缺乏系统性归纳，因此这系列博客将给大家带来Cv2及Mat对象全系列算子学习教案，供大家参考学习。

Cv2.CalcCovarMatrix

教案版本：V1.0
面向对象：OpenCvSharp 初学者
所属模块：core
源码位置：OpenCvSharp/Cv2/Cv2_core.cs:2545

摘要：InputArray 重载适合“样本已经排成一个矩阵”的情况。本文用一个三行两列的样本矩阵演示 Rows 标志的含义，并帮助初学者理解协方差矩阵与均值向量是怎样从单个输入矩阵里计算出来的。

1. 函数名称（带参数签名）

publicstaticvoidCalcCovarMatrix(InputArraysamples,OutputArraycovar,InputOutputArraymean,CovarFlagsflags,MatType?ctype=null)

2. 函数用途

Cv2.CalcCovarMatrix的这个重载，会从一个已经排好行或列的矩阵中计算协方差矩阵和均值向量。

它最常见的用途有：

处理表格型样本数据。
对已经堆叠好的特征矩阵做统计分析。
为 PCA、马氏距离等算法准备协方差基础数据。

如果你的数据已经是一个大矩阵，这个重载通常比先拆成Mat[]更直接。

3. 函数公式

协方差矩阵的常见定义是：

cov⁡(x)=1N∑i=1N(xi−μ)(xi−μ)T \operatorname{cov}(x) = \frac{1}{N} \sum_{i=1}^{N} (x_i - \mu)(x_i - \mu)^Tcov(x)=N1i=1∑N(xi−μ)(xi−μ)T

其中：

NNN是样本个数；
xix_ixi是第iii条样本；
μ\muμ是均值向量。

本文示例把样本放在矩阵的每一行：

[123456] \begin{bmatrix} 1 & 2 \\ 3 & 4 \\ 5 & 6 \end{bmatrix}135246

它的均值向量是：

[3,4] [3, 4][3,4]

归一化后的协方差矩阵仍然是：

[83838383] \begin{bmatrix} \frac{8}{3} & \frac{8}{3} \\ \frac{8}{3} & \frac{8}{3} \end{bmatrix}[38383838]

4. 函数原理说明

CalcCovarMatrix(InputArray samples, ...)可以理解成：

读取输入矩阵。
根据Rows或Cols判断哪一个方向是样本方向。
先计算均值向量。
再把每条样本减去均值。
最后组合成协方差矩阵。

对初学者来说，最容易混淆的是Rows和Cols的方向选择。这个重载本身非常灵活，但也因此更容易写错标志位。

5. 参数含义解析

参数名	类型	必填	含义
samples	InputArray	是	输入样本矩阵
covar	OutputArray	是	输出协方差矩阵
mean	InputOutputArray	是	输入/输出均值向量
flags	CovarFlags	是	协方差计算方式相关标志
ctype	MatType?	否	输出矩阵类型，默认可由 OpenCV 选择

补充说明：

如果样本放在行里，就用Rows。
如果样本放在列里，就用Cols。
Normal负责使用常规协方差公式。
Scale负责按样本个数归一化。
mean既可以作为输出，也可以在UseAvg时作为输入均值。

6. 应用场景列表

场景名	场景说明	典型用途
场景A：表格型数据	每一行就是一条样本	数据分析入门
场景B：行样本统计	直接按行算协方差	特征工程
场景C：PCA 前置处理	先求协方差再分解	降维教学

7. 函数使用示例

下面的 Console 程序演示Cv2.CalcCovarMatrix(InputArray samples, ...)。为了让结果更容易看懂，我们把三条样本直接排成一个矩阵，并且明确告诉函数“每一行都是一条样本”。

usingSystem.Text;usingOpenCvSharp;internalstaticclassProgram{/// <summary>/// 程序入口。/// </summary>privatestaticvoidMain(){// 控制台要支持中文输出，避免说明文字乱码。Console.OutputEncoding=Encoding.UTF8;// 这里把三条样本直接放进一个矩阵里，每一行都代表一条观测值。varsourceData=newdouble[,]{{1.0,2.0},{3.0,4.0},{5.0,6.0},};usingvarsource=CreateMatrix(sourceData);usingvarcovariance=newMat();usingvarmean=newMat();// Rows 表示“每一行都是一条样本”，Normal 和 Scale 仍然分别负责公式和归一化。Cv2.CalcCovarMatrix(source,covariance,mean,CovarFlags.Rows|CovarFlags.Normal|CovarFlags.Scale,MatType.CV_64FC1);varactualCovariance=ReadDoubleMatrix(covariance);varactualMean=ReadDoubleMatrix(mean);varexpectedCovariance=newdouble[,]{{8.0/3.0,8.0/3.0},{8.0/3.0,8.0/3.0},};varexpectedMean=newdouble[,]{{3.0,4.0},};Console.WriteLine("InputArray 重载的输出结果");PrintMatrix("样本矩阵（每一行都是一条样本）",sourceData);PrintMatrix("协方差矩阵",actualCovariance);PrintMatrix("均值向量",actualMean);PrintMatrix("期望协方差矩阵",expectedCovariance);PrintMatrix("期望均值向量",expectedMean);}/// <summary>/// 把二维数组写入 Mat。/// </summary>privatestaticMatCreateMatrix(double[,]values){returnMat.FromPixelData(values.GetLength(0),values.GetLength(1),MatType.CV_64FC1,values);}/// <summary>/// 从 Mat 读取 double 二维数组。/// </summary>privatestaticdouble[,]ReadDoubleMatrix(Matsource){usingvarconverted=newMat();source.ConvertTo(converted,MatType.CV_64FC1);varresult=newdouble[converted.Rows,converted.Cols];for(varrow=0;row<converted.Rows;row++){for(varcol=0;col<converted.Cols;col++){result[row,col]=converted.At<double>(row,col);}}returnresult;}/// <summary>/// 打印矩阵内容。/// </summary>privatestaticvoidPrintMatrix(stringtitle,double[,]matrix){Console.WriteLine(title);for(varrow=0;row<matrix.GetLength(0);row++){varline=newStringBuilder("[");for(varcol=0;col<matrix.GetLength(1);col++){line.Append(matrix[row,col].ToString("F6",System.Globalization.CultureInfo.InvariantCulture));if(col<matrix.GetLength(1)-1){line.Append(", ");}}line.Append(']');Console.WriteLine(line.ToString());}Console.WriteLine();}}