谁能为我提供一些聚类示例？答案

【问题标题】：Can anyone provide me with some clustering examples?谁能为我提供一些聚类示例？
【发布时间】：2012-09-30 06:11:03
【问题描述】：

我很难理解scipy.cluster.vq 的真正作用！！

在 Wikipedia 上它说 Clustering 可用于将数字图像划分为不同的区域以进行边界检测或对象识别。
在其他网站和书籍上，它说我们可以使用 clustering 方法对图像进行聚类以查找相似图像组。
由于我对图像处理感兴趣，我真的需要完全了解clustering 是什么。

所以
谁能给我展示一下使用scipy.cluster.vq 处理图片的简单例子吗？？

【问题讨论】：

标签： python scipy cluster-analysis

【解决方案1】：

scipy.cluster.vq 进行的聚类肯定属于后者（相似图像组）的种类。

在scipy.cluster.vq 中实现的唯一聚类算法是K-Means 算法，它通常将输入数据视为 n 维欧几里得空间中的点，并尝试划分该空间，以便可以通过以下方式总结新的传入数据“示例 x 最像质心 y”。质心可以被认为是输入数据的原型示例。矢量量化导致了简洁或压缩的表示，因为我们可以记住一个整数，而不是记住我们看到的每个新图像的所有 100 个像素，它指向新图像最相似的原型示例。

如果您有许多小灰度图像：

>>> import numpy as np
>>> images = np.random.random_sample((100,10,10))

所以，我们有 100 张 10x10 像素的图像。让我们假设它们都已经具有相似的亮度和对比度。 scipy kmeans 实现需要平面向量：

>>> images = images.reshape((100,100))
>>> images.shape
(100,100)

现在，让我们训练 K-Means 算法，以便任何新的输入图像都可以分配到 10 个集群之一：

>>> from scipy.cluster.vq import kmeans, vq
>>> codebook,distortion = kmeans(images,10)

最后，假设我们有五个新图像要分配给十个集群之一：

>>> newimages = np.random.random_samples((5,10,10))
>>> clusters = vq(newimages.reshape((5,100)),codebook)

clusters 将包含五个示例中每个示例的最佳匹配质心的整数索引。

这是一个玩具示例，除非您正在处理的图像中感兴趣的对象都居中，否则不会产生很好的结果。由于感兴趣的对象可能出现在较大图像中的任何位置，因此通常会为较小的图像“块”学习质心，然后将它们与较大的图像进行卷积（在许多不同位置进行比较）以提高平移不变性。

【讨论】：

images = images.ravel() 之后，images.shape 应该是 (10000,)。
很高兴我投票赞成。是的，我即将获得它，但你能用更简单的科学英语解释什么是 Kmeans 和 centroids 。如果您可以发布任何图片，以便我可以想象发生了什么，这将不胜感激。谢谢
谢谢@WarrenWeckesser，你是对的。我已经编辑了代码，以便使用reshape 而不是ravel。
@SomeoneSomeoneelse，在这里查看图片：scikit-learn.org/stable/auto_examples/cluster/…。这是二维空间中点的集群可视化。在我的示例中，我们在 100 维空间中进行聚类。
您可能需要修改这部分 clusters = vq(newimages.**reshape((100,100))**,codebook)。无论如何我正在尝试完全理解您的代码。谢谢

【解决方案2】：

第二个是聚类：将有些相似的对象分组（可能是图像）。聚类不是一种纯粹的成像技术。

处理单个图像时，例如可以将其应用于颜色。这是减少图像中颜色数量的一种非常好的方法。如果您按颜色和像素坐标进行聚类，您还可以将其用于图像分割，因为它将具有相似颜色的像素分组和彼此接近。但这是集群的应用领域，而不是纯粹的集群。

【讨论】：

那么你如何将各种图像分组？