我是医学物理硕士生，我正在研究论文。这项工作包括从内窥镜图像中提取特征并使用SVM进行分类。我有4种类型的图像。 1型是非癌症图像，2型，3型和4型是癌前图像。我将问题简化为两类系统。 C1类，1类图像和C2类。
我用来做这个的方法如下： 我使用密集的SIFT从每个图像中提取特征。所以我获得了描述符，例如每张图像128x1000。所以我在128维空间里有1000分。每个图像的点数不同，但为简单起见，假设每个图像1000个点。我使用50个C1类图像和50个C2类图像对数据集进行了划分以进行训练。
如果我使用100张训练图像，我将获得128x100000的数据。如果我使用例如400个簇对该数据执行k均值聚类，则这是一个非常长的过程。所以我想要对这些数据进行采样，例如选择均匀间隔的10000个点，以便每个图像均匀地表示。实际上我在分类过程中取得了相当不错的成绩，但我怀疑是否可以做到这一点。
如果我使用所有数据点来计算中心，或者我可以将这些数据用于计算吗？它会产生很大的不同吗？对于使用的数据部分，什么值是合理的？
答案 0 :(得分：1)
通常在样本上运行k-means 。
这将为您提供对最终聚类中心的良好估计，并且通过将它们用作完整k-means运行的种子，您可能之后只需要一次迭代。
K-means有许多问题（维数的诅咒，通常没有意义的结果，选择k），但可伸缩性不是其中之一。它可以非常快地运行，除非你使用非常慢的编程语言，否则100k对象应该只需要一分钟。