在 Python 中使用 PCA 对图像进行聚类和降维答案

【问题标题】：Clustering of Images and Dimensional Reduction using PCA in Python在 Python 中使用 PCA 对图像进行聚类和降维
【发布时间】：2017-08-28 21:01:59
【问题描述】：

我正在做 K 表示图像数据集上的聚类。首先，我加载了图像并存储在 numpy 数组中。共有 24 张图片。我创建的 img_array 的形状是 (24, 300, 400, 3)。为了运行 K 方法，我将其转换为二维数组，现在形状为 (24,360000)。聚类后我得到了一个adjusted_rand_score 0.57。

我不知道，如何使用 PCA 并降低图像的尺寸，然后比较聚类精度。

现在，我需要使用 PCA 将维度减少到 400 维、200 维、50 维、5 维，最后是 2 维。

    path = "C://Users/shivam/Desktop/data//"
    os.chdir(path)
    for f in os.listdir('.'):
        if f.endswith('.jpg'):
        img = Image.open(f)
        data = np.asarray( img, dtype='uint8' )
        img_array.append(data)
   df = pd.DataFrame({'image_arrays':img_array})
   df['id'] = range(1, len(df) + 1)

   label_list = ['nature','nature','nature','nature','nature','nature','sunset','sunset','sunset','sunset','sunset','sunset','sunset','sunset','sunset','water','water','water','water','water','water','water','water','water']

   df.head()

   img_arr_2D = img_arr.reshape(24,120000) 

   import numpy as np
   import matplotlib.pyplot as plt
   from matplotlib import style
   style.use("ggplot")
   from sklearn.cluster import KMeans

   X = img_array_2D
   kmeans = KMeans(n_clusters=3, max_iter= 100)
   kmeans.fit(X)

   centroid = kmeans.cluster_centers_
   labels = kmeans.labels_

   colors = ["g.","r.","c."]

   for i in range(len(X)):
       print ("coordinate:" , X[i], "label:", labels[i])
       plt.plot(X[i][0],X[i][1],colors[labels[i]],markersize=10)
       plt.show()

   classes = [0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2]
   labels = kmeans.labels_

   from sklearn.metrics.cluster import adjusted_rand_score
   adjusted_rand_score(classes, labels)

【问题讨论】：

有人在吗，谁能帮忙？
当然可以，但是您的问题表明缺乏努力。 文档中有大量在图像上使用 PCA 的示例。在您提出问题后 105 分钟还寻求一些额外评论的帮助并不是我所说的好风格。没有答案可能是有原因的。并不是，这太难了！
你好，但我试图将所有内容都放在问题中，我正在搜索文档。但无法得到任何东西。请帮忙？

标签： python machine-learning cluster-analysis dimensionality-reduction

【解决方案1】：

即使使用 PCA，结果也不会有太大改善（请注意，PCA 与变量数量的关系很差，您需要数百万张图像才能在此处获得可靠的结果）。

图像的像素表示不如输入。你想要一些东西，例如相同的图片倒置有相同的表示。

所以你需要进行特征提取。

您可以制作颜色直方图、视觉词袋，但要获得最先进的技术，您需要进入深度学习。

【讨论】：