python - 谁能给我提供一些聚类示例？

Question

我很难理解 scipy.cluster.vq 的真正作用!

在维基百科上，它说聚类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，它说我们可以使用聚类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，我真的需要完全理解什么是聚类。

所以
任何人都可以向我展示有关使用 scipy.cluster.vq 与图像结合使用的简单示例吗？

Answer 1

scipy.cluster.vq 执行的聚类类型绝对属于后者(相似图像组)。

scipy.cluster.vq中实现的唯一聚类算法是K-Means该算法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“示例 x 最像质心 y”来总结新的传入数据。质心可以被认为是输入数据的原型(prototype)示例。矢量量化可以带来简洁或压缩的表示，因为我们可以记住一个指向新图像最相似的原型(prototype)示例的整数，而不是记住我们看到的每个新图像的所有 100 个像素。

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 像素图像。让我们假设它们都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，以便任何新传入的图像都可以分配给 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想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全部居中，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，因此通常会学习较小图像“补丁”的质心，然后将它们与较大图像进行卷积(在许多不同位置比较它们)以促进平移不变性。