Question

我正在做K意味着对图像数据集进行聚类。首先，我加载了图像并存储在numpy数组中。共有24张图片。我创建的img_array的形状是（24,300,400,3）。要运行K均值，我将其转换为2维数组，现在形状为（24,360000）。在聚类0.57后我得到了adjust_rand_score。

我不知道，如何使用PCA并减少图像的尺寸，然后比较聚类精度。

现在，我需要使用PCA将尺寸降低到400维，200维，50维，5维，最后是2维。

    path = "C://Users/shivam/Desktop/data//"
    os.chdir(path)
    for f in os.listdir('.'):
        if f.endswith('.jpg'):
        img = Image.open(f)
        data = np.asarray( img, dtype='uint8' )
        img_array.append(data)
   df = pd.DataFrame({'image_arrays':img_array})
   df['id'] = range(1, len(df) + 1)

   label_list = ['nature','nature','nature','nature','nature','nature','sunset','sunset','sunset','sunset','sunset','sunset','sunset','sunset','sunset','water','water','water','water','water','water','water','water','water']

   df.head()

   img_arr_2D = img_arr.reshape(24,120000) 

   import numpy as np
   import matplotlib.pyplot as plt
   from matplotlib import style
   style.use("ggplot")
   from sklearn.cluster import KMeans

   X = img_array_2D
   kmeans = KMeans(n_clusters=3, max_iter= 100)
   kmeans.fit(X)

   centroid = kmeans.cluster_centers_
   labels = kmeans.labels_

   colors = ["g.","r.","c."]

   for i in range(len(X)):
       print ("coordinate:" , X[i], "label:", labels[i])
       plt.plot(X[i][0],X[i][1],colors[labels[i]],markersize=10)
       plt.show()

   classes = [0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,2,2,2,2,2,2,2,2,2]
   labels = kmeans.labels_

   from sklearn.metrics.cluster import adjusted_rand_score
   adjusted_rand_score(classes, labels)

Answer 1

即使使用PCA，结果也不会有太大改善（并且要注意PCA随着变量的数量而严重缩放，并且您需要数百万张图像才能获得可靠的结果）。

图像的像素表示不如输入。你想要一些例如颠倒的相同图片具有相同的表示。

所以你需要做特征提取。

你可以做彩色历史记录，包含视觉词汇，但对于最先进的技术，你需要深入学习。

在Python中使用PCA对图像进行聚类和降维

1 个答案: