scipy.spatial.distance.

directed_hausdorff#

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

计算两个二维数组之间的有向豪斯多夫距离。

对之间距离的计算使用欧几里得度量。

参数：

u(M,N) array_like: 具有 N 维度 M 个点的输入数组。
v(O,N) array_like: 具有 N 维度 O 个点的输入数组。
seedint 或 None，可选: 本地 numpy.random.RandomState 种子。默认值为 0，对 u 和 v 的随机洗牌以确保可重复性。

返回值：

ddouble: 数组 u 和 v 之间的有向豪斯多夫距离，
index_1int: 导致豪斯多夫对的 u 中点的索引。
index_2int: 导致豪斯多夫对的 v 中点的索引。

引发：

ValueError: 如果 u 和 v 的列数不同，则会抛出异常。

另请参见

scipy.spatial.procrustes: 用于两个数据集的另一个相似性测试

备注

使用早期中断技术和由 [1] 描述的随机采样方法。尽管最坏情况下的性能为 O(m * o)（与暴力算法相同），但在实践中不太可能出现这种情况，因为输入数据将需要算法探索每个点的交互，并且算法在进行此操作时会对输入点进行随机洗牌。最佳情况下的性能为 O(m)，这通过选择一个小于 cmax 的内循环距离来满足，并尽可能导致早期中断。作者已经正式证明，平均运行时间更接近 O(m)。

在版本 0.19.0 中添加。

参考文献

[1]

A. A. Taha 和 A. Hanbury，“一种计算精确豪斯多夫距离的有效算法”。IEEE 模式分析与机器智能汇刊，卷。37 页 2153-63，2015。

示例

查找两个二维坐标数组之间的有向豪斯多夫距离

>>> 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

查找两个二维坐标数组之间的通用（对称）豪斯多夫距离

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

查找生成豪斯多夫距离的点的索引（豪斯多夫对）

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