【发布时间】：2012-09-17 03:52:31
【问题描述】：
以下kmeans聚类有什么区别吗？
a) 将图像转换为灰度并对一维特征向量执行 kmeans
b) 保留 3 个通道 RGB，并对 3D 特征向量执行 kmeans
c) 获取图像直方图并对分布进行kmeans
第一个解决方案肯定更快，但是会有区别吗？也许有些像素的RGB不同，但强度相同？
【问题讨论】：
【发布时间】：2012-09-17 03:52:31
【问题描述】：
1) 从 RGB 到灰度的转换通常不是通过简单地平均这些值来完成的（参见Grayscale）。如果使用这种不寻常的方式完成，即使如此，K-means 中使用的欧几里德距离也会为您的情况 (a) 和 (b) 提供不同的距离 - 导致不同的聚类 - 正如您提到的 [编辑]。但是，由于灰度值是加权和（权重不同于 1/3），因此在 RGB 之间取欧几里得距离与在灰度值上取差是不同的 - 所以它们是不同的。
2) 我对你的 (c) 并不完全清楚，但对分布执行 k-means 很奇怪。可能您的意思是使用 K-means 作为模型来拟合分布，以便识别直方图中的峰和谷？如果是这种情况，它是案例（a）本身的轻微变化。它们可能非常相似（不确定它们是否相同，可能是！）如果您将案例 (c) 视为案例 (a) 的重写，方法是将平方和误差中的所有相同项分组并重写它作为乘数乘以差。 [如：x1 + x2 + x1 + x3 写成 2x1 + x2 + x3]
【讨论】：