opencv中用RNG产生随机数

1.1 RNG

  RNG类是opencv里C++的随机数产生器。它可产生一个64位的int随机数。目前可按均匀分布和高斯分布产生随机数。随机数的产生采用的是Multiply-With-Carry算法和Ziggurat算法。

1.1.1 产生一个随机数

RNG可以产生3种随机数
RNG(int seed) 使用种子seed产生一个64位随机整数，默认-1
RNG::uniform( ) 产生一个均匀分布的随机数
RNG::gaussian( ) 产生一个高斯分布的随机数

RNG::uniform(a, b ) 返回一个[a,b)范围的均匀分布的随机数，a,b的数据类型要一致，而且必须是int、float、double中的一种，默认是int。

RNG::gaussian( σ) 返回一个均值为0，标准差为σ的随机数。

如果要产生均值为λ，标准差为σ的随机数，可以λ+ RNG::gaussian( σ)

     //创建RNG对象，使用默认种子“-1”  
    RNG rng;  
          
    //产生64位整数  
    int N1 = rng;  
      
    /*-------------产生均匀分布的随机数uniform和高斯分布的随机数gaussian---------*/  
          
    //总是得到double类型数据0.000000，因为会调用uniform(int,int),只会取整数，所以只产生0   
    double N1a = rng.uniform(0,1);  
          
    //产生[0,1)范围内均匀分布的double类型数据  
    double N1b = rng.uniform((double)0,(double)1);  
      
    //产生[0,1)范围内均匀分布的float类型数据，注意被自动转换为double了。  
    double N1c = rng.uniform(0.f,1.f);  
      
    //产生[0,1)范围内均匀分布的double类型数据。  
    double N1d = rng.uniform(0.,1.);  
      
    //可能会因为重载导致编译不通过(确实没通过。。)     
    //double N1e = rng.uniform(0,0.999999);  
      
    //产生符合均值为0，标准差为2的高斯分布的随机数  
    double N1g = rng.gaussian(2);     

1.1.2 返回下一个随机数

上面一次只能返回一个随机数，实际上系统已经生成一个随机数组。如果我们要连续获得随机数，没有必要重新定义一个RNG类，只需要取出随机数组的下一个随机数即可。

RNG:: next 返回下一个64位随机整数
RNG:: operator 返回下一个指定类型的随机数

     RNG rng;  
    int N2 = rng.next();                    //返回下一个随机整数，即N1.next();  
      
    //返回下一个指定类型的随机数  
    int N2a = rng.operator uchar();         //返回下一个无符号字符数  
    int N2b = rng.operator schar();         //返回下一个有符号字符数  
    int N2c = rng.operator ushort();        //返回下一个无符号短型  
    int N2d = rng.operator short int();     //返回下一个短整型数  
    int N2e = rng.operator int();           //返回下一个整型数  
    int N2f = rng.operator unsigned int();  //返回下一个无符号整型数  
    int N2g = rng.operator float();         //返回下一个浮点数  
    int N2h = rng.operator double();        //返回下一个double型数  
    int N2i = rng.operator ()();            //和rng.next( )等价  
    int N2j = rng.operator ()(100);         //返回[0,100)范围内的随机数  

1.1.3 用随机数填充矩阵 RNG::fill( )

void fill( InputOutputArray mat, int distType, InputArray a, InputArray b, bool saturateRange=false );

InputOutputArray                    输入输出矩阵，最多支持4通道，超过4通道先用reshape()改变结构

int distType                             UNIFORM 或 NORMAL，表示均匀分布和高斯分布

InputArray a                           disType是UNIFORM,a表示为下界(闭区间)；disType是NORMAL,a均值

InputArray b                           disType是UNIFORM,b表示为上界(开区间)；disType是NORMAL,b标准差

bool saturateRange=false     只针对均匀分布有效。当为真的时候，会先把产生随机数的范围变换到数据类型的范围，再产生随机数；

                                             如果为假，会先产生随机数，再进行截断到数据类型的有效区间。请看以下fillM1和fillM2的例子并观察结果 

     //产生[1,1000)均匀分布的int随机数填充fillM  
    Mat_<int>fillM(3,3);  
    rng.fill(fillM,RNG::UNIFORM,1,1000);  
    cout << "filM = " << fillM << endl << endl;  
          
    Mat fillM1(3,3,CV_8U);  
    rng.fill(fillM1,RNG::UNIFORM,1,1000,TRUE);  
    cout << "filM1 = " << fillM1 << endl << endl;  
          
    Mat fillM2(3,3,CV_8U);  
    rng.fill(fillM2,RNG::UNIFORM,1,1000,FALSE);  
    cout << "filM2 = " << fillM2 << endl << endl;  
    //fillM1产生的数据都在[0,，255)内，且小于255；  
    //fillM2产生的数据虽然也在同样范围内，但是由于用了截断操作，所以很多数据都是255,    
      
    //产生均值为1，标准差为3的随机double数填进fillN  
    Mat_<double>fillN(3,3);  
    rng.fill(fillN,RNG::NORMAL,1,3);  
    cout << "filN = " << fillN << endl << endl;  

1.1.4

使用时间戳作为种子数

RNG rng((unsigned)time(NULL));//当然，用这个要记得加上头函数<time.h>
double x=rng.uniform((double)0,(double)255);
float y=rng.uniform(0.f,255.f);
int z=rng.uniform((int)0, (int)255 );

每次运行生成的随机数都不一样哦~
看结果~