sklearn.cluster.DBSCAN給出了意想不到的結果

Question

我使用DBSCAN方法對圖像進行聚類，但它會產生意想不到的結果。假設我有10張圖片。

首先，我使用cv2.imread在循環中讀取圖像。然後我計算每個圖像之間的結構相似性指數。之後，我有這樣一個矩陣：

[ 
[ 1.   -0.00893619 0.   0.   0.   0.50148778  0.47921832 0.   0.   0.  ] 

[-0.00893619 1.   0.   0.   0.   0.00996088  -0.01873205 0.   0.   0.  ] 

[ 0.   0.   1.   0.57884212 0.   0.    0.   0.   0.   0.  ] 

[ 0.   0.   0.57884212 1.   0.   0.    0.   0.   0.   0.  ] 

[ 0. 0. 0. 0. 1. 0. 0. 0. 0. 0.] 

[ 0.50148778 0.00996088 0.   0.   0.   1.   0.63224396 0.   0.   0.  ] 

[ 0.47921832 -0.01873205 0.   0.   0.   0.63224396  1.   0.   0.   0.  ] 

[ 0.   0.   0.   0.   0.   0.   0. 1.   0.77507487 0.69697053] 

[ 0.   0.   0.   0.   0.   0.   0. 0.77507487 1.   0.74861881] 

[ 0.   0.   0.   0.   0.   0.   0. 0.69697053 0.74861881 1.  ]] 

看起來不錯。然後，我有DBSCAN的簡單invokation：

db = DBSCAN(eps=0.4, min_samples=3, metric='precomputed').fit(distances) 
labels = db.labels_ 
n_clusters_ = len(set(labels)) - (1 if -1 in labels else 0) 

，其結果是

[0 0 0 0 0 0 0 0 0 0] 

我該怎麼辦錯了嗎？爲什麼它將所有圖像放入一個集羣？

Answer 1

問題是我錯誤地計算了距離矩陣 - 主對角線上的條目都是零。

Answer 2

DBSCAN通常假設不相似（距離）不是相似度。它也可以用相似性閾值來實現（參見Generalized DBSCAN）