特征矩阵容器

Question

我正在寻找一种方法来存储类似矩阵的传感器测量结构，它们本身又是矩阵或向量。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，整个图像将变成

typedef Eigen::Array<Eigen::Vector3f, Eigen::Dynamic, Eigen::Dynamic> Image.

我们可以在上面再增加一层

typedef Eigen::Array<Image, Eigen::Dynamic, 1> VideoRecording

或

typedef Eigen::Array<Image, Eigen::Dynamic, Eigen::Dynamic Image> CamaraArrayCapture.

现在，我不需要在那些外部存储容器上做很多数学运算，尽管一些顶级乘法和加法运算符对于规范化目的来说会很方便。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。最后但同样重要的是，我希望容器是可迭代的。

在思考这个问题时，我想到了以下想法：

如介绍中所示使用简单的 Eigen::Array 或 Eigen::Matrix 并实现一些免费函数，返回类似于 Eigen::Array<Eigen::Map<Eigen::Matrix<float,Eigen::Dynamic,1>>> 的嵌套块操作。虽然这可能是最快的实现方式，但我不太喜欢这样，因为嵌套的特征矩阵在官方上并不真正受支持...
使用与上面相同的方法，但不是使用自由函数，而是将其包装在自定义 class 中，这样库的用户就不会期望像 [=14 这样不受支持的操作=] x VideoRecording 乘法有效。
使用不支持 Eigen 的 Eigen::Tensor 进行数据存储。它执行非常强大的切片操作，但我会放弃有关包含数据的所有语义。调整数据集的大小也会变得非常低效，因为它需要从所有过去的图像中复制所有数据。
有一个Eigen::Imageclass，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。从事实来看，class 在 Eigen 的 Wiki 中甚至没有自己的条目，而且我发现的少数 Google 命中我猜这个 class 并不广为人知 and/or 用过的。而且它仍然会留下如何表示多个图像结构的问题。
当你的工具是锤子时，一切看起来都像钉子 - 忘掉对外部结构使用 Eigen 类型并使用其他东西，例如通过使用 std::vector 成员实现 class。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中的任何一种都不是很满意...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如果我遗漏了一些东西，那么实现这个东西的最佳实践是什么？

Answer 1

考虑了一段时间并尝试了各种方法后，我最终包装了一个 Eigen::Tensor，我将一个等级隐藏到外面，然后返回 Eigen::Map 到一个特定的等级“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, firstDimension, 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, Eigen::Index secondIndex, IndexTypes... otherIndices) const {
            return _tensor.dimensions().IndexOfColMajor(
                Eigen::array<Eigen::Index, Rank+1>{{firstIndex, secondIndex, 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 来保持语义，例如：

typedef MeasurementTensor<2,float,3> RBGImage;
typedef MeasurementTensor<3,float,3> RBGImageSequence;

不幸的是，Eigen 对张量的切片操作似乎不像其矩阵块对象那样简单易用。到目前为止，我还没有找到一种方法来访问 Eigen::TensorSlicingOp 的单个值而不先将其分配给第二个 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，可以使用与上面相同的 class 包装 Eigen::TensorMap 来处理 Tensor.

的子集

因为我不进行在线处理，所以我还决定使用 std::vector<RBGImage> 来更有效地收集原始数据，并且只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。

特征矩阵容器

Container for Eigen Matrices

c++

matrix

eigen