k-means聚类中心？

Question

我有一个96x96像素的灰度面部图像。我试图找到眼睛中心和嘴角。我在面部图像上应用了一个gabor滤镜（theta = pi/2，lamda = 1.50），并且在卷积后得到像这样的滤镜输出。

正如你可以从输出的Gabor眼睛和嘴角看到清晰可辨。我申请scikit k均值聚类组像素起来4群（2只眼和2唇角落）

data = output.reshape(-1,96*96) 
estimator = KMeans(n_clusters=4) 
estimator.fit(data) 
centroids = np.asarray(estimator.cluster_centers_) 
print 'Cluster centers', centroids.shape 
print 'Labels', estimator.labels_, estimator.labels_.shape 

输出

Input X,y: (100, 96, 96) (1783, 1) 
Gabor Filters (1, 9, 9) 
Final output X,y (100, 96, 96) (0,) 
Shape estimator.cluster_centers_: (4, 9216) 

现在问题来了：如何绘制质心的x，y 4个集群中心的坐标？我会看到眼睛中心和嘴角

更多信息：我绘制estimator.cluster_centers_，输出就像一本代码书。我看不到群集质心的坐标。

我使用的步骤在本文中所描述：http://jyxy.tju.edu.cn/Precision/MOEMS/doc/p36.pdf

Answer 1

我觉得这里有关于在你做你的空间有些混乱K-means聚类。在你的问题中包含的代码片段中，你正在使用矢量化人脸图像作为数据点来训练一个KMeans模型。 K-means簇与您提供的数据生活在同一个空间中，所以（如您注意到的），您的簇质心也将是矢量化的面部图像。重要的是，这些人脸图像具有尺寸9216，而不是尺寸2（即，x-y坐标）！

要获得2维（x，y）坐标作为K均值质心，您需要使用2维输入数据运行算法。就在我头顶，似乎可以将黑暗阈值应用于您的脸部图像，并组合仅包含黑暗像素位置的聚类数据集。然后，在此数据集上运行K-means后，质心将有望接近脸部图像中像素最黑的像素位置。这些位置（假设您的训练数据中的脸部图像已经有所注册）应该与​​您所期望的眼睛和嘴角稍微接近。

这可能非常令人困惑，所以我会尝试添加一个示例。举个例子，你有一个3像素宽，4像素高的“脸部图像”。在图像的一个阈值化后的像素可能看起来像：

0 1 2 <-- x coordinates 

0 0 0 0^y coordinates 
0 1 0 1 | 
1 0 0 2 | 
0 0 1 3 v 

如果使用直接在K-手段这个“形象”，你真正运行的K-means算法在12维空间，并且上面的图像将被矢量化为：

0 0 0 0 1 0 1 0 0 0 0 1 

然后，您的K均值聚类质心也将存在于相同的12维空间中。

我想提出的是，你可以提取每个图像中1的（x，y）坐标，并将它们用作K-means算法的数据。因此，对于例如上图中，你会得到以下数据点：

1 1 
0 2 
2 3 

在这个例子中，我们从这个“形象”提取3 2维穴;随着更多的图像，你会得到更多的二维点。在用这些二维数据点运行K-means之后，您将获得也可以解释为原始图像中像素位置的聚类质心。您可以在图像顶部绘制这些质心位置，并查看它们在图像中的对应位置。