Question

我必须基于ORB功能的k均值聚类进行图像分类。如果我从文档中正确理解，则功能本质上是关键点和描述符。我不确定在执行kmeans.fit（）时应输入X的什么：在示例here中，它说X_digits是Bunch对象的一个numpy数组，所以我假设我应该将关键点和相应的描述符在一起，并将其用作kmeans.fit（x）中的X。这是代码：

@dataclass
class BOVWFeaturizer(ImgFeaturizerABC):
    number_of_features_per_image: int = 100
    vocabulary_size: int = 8
    def fit(self, images: np.ndarray, labels=None):
        orb = cv.ORB_create(self.number_of_features_per_image)
        keypoints_orb = orb.detect(images, None)
        keypoints_orb, descriptors = orb.compute(images, keypoints_orb)
        kmeans = cluster.KMeans(n_clusters=2, random_state=0)
        """
        features = ## something that groups keypoints and descriptor
        """
        kmeans.fit(features, labels)

        return self

我对机器学习或计算机视觉没有任何先验知识，如果这是一个非常基本的问题，请抱歉

编辑：这是我尝试过的：

features = [[kp, desc] for kp, desc in zip(keypoints_orb, descriptors)]
features = [(kp, desc) for kp, desc in zip(keypoints_orb, descriptors)]

在两种情况下，输出均为：

TypeError: float() argument must be a string or a number, not 'cv2.KeyPoint'

我尝试将其转换为ndarray：

features = np.ndarray([(kp, desc) for kp, desc in zip(keypoints_orb, descriptors)])

输出：

ValueError: maximum supported dimension for an ndarray is 32, found 100

我应该将两个值（关键点和描述符）都压缩到一维ndarray吗？

Answer 1

不得将关键点添加到分类器。分类将仅基于描述符进行，因此只需向分类器输入描述符作为输入特征即可。

基于ORB功能的k均值聚类

1 个答案: