0
我需要將依賴於scipy.cluster.vq模塊的代碼庫轉換爲不使用scipy,以便我可以在C++中實現它。如何改進用於K均值聚類的「啞」矢量量化算法
首先,我試圖僅使用numpy複製結果。
從尺寸爲MxNx3的圖像開始,我使用kmeans與opencv創建「質心」Kx3陣列。
我需要將原始圖像的每個像素映射到質心陣列中與原始像素最接近的像素值。
我有它的工作,但性能是可怕的。我確定必須有更高級的方法來計算這個值,我懷疑它與最近的鄰居搜索有關(可能?),但不確定。
這是目前我在做什麼:我想這可能被稱爲「強力」的做法
- 遍歷圖像
- 中的每個像素計算該像素與每個之間的歐氏距離中心列表中的像素
- 返回步驟2中生成的列表中的最小值
將原始圖像像素指定爲返回最小距離的質心列表的值。所有的
def vq(self,image,centroids): x,y,z = image.shape Z=np.reshape(image,(x*y,z)) counts = np.zeros(len(centroids)) clusterMap = np.zeros(Z.shape,np.uint8) for i in range(Z.shape[0]): color = Z[i] closestIndex = self.getClosestCenter(color, centroids) counts[closestIndex]+=1# tracking how often each color occurs clusterMap[i] = centroids[closestIndex] return clusterMap,counts def getClosestCenter(self,color,centers): distances = [0 for i in range(len(centers))] for i,center in enumerate(centers): distances[i] = self.getDistance(color, center) return distances.index(min(distances)) def getDistance(self,value1,value2): if len(value1) !=len(value2): return None #error sum = 0 for i in range(len(value1)): sum+=(value1[i]-value2[i])**2 return sum**(0.5)
感謝您的回覆。 因此,不是使用'枚舉',而是手動增加'int'會更好? 對於最後一點,此方法不計算K均值,而是使用k均值中的值將原始圖像的像素重新映射到從kmeans返回的中心。然而,我剛剛意識到opencv返回一個具有我需要的確切數據的'label'映射,所以我所要做的就是在該矩陣上執行一個直方圖以獲取每個質心的相對計數。 – TPB 2015-04-01 01:49:26
重映射也將使用最小二乘法。 – 2015-04-01 05:42:09