0
我需要将依赖于scipy.cluster.vq模块的代码库转换为不使用scipy,以便我可以在C++中实现它。如何改进用于K均值聚类的“哑”矢量量化算法
首先,我试图仅使用numpy复制结果。
从尺寸为MxNx3的图像开始,我使用kmeans与opencv创建“质心”Kx3阵列。
我需要将原始图像的每个像素映射到质心阵列中与原始像素最接近的像素值。
我有它的工作,但性能是可怕的。我确定必须有更高级的方法来计算这个值,我怀疑它与最近的邻居搜索有关(可能?),但不确定。
这是目前我在做什么:我想这可能被称为“强力”的做法
- 遍历图像
- 中的每个像素计算该像素与每个之间的欧氏距离中心列表中的像素
- 返回步骤2中生成的列表中的最小值
将原始图像像素指定为返回最小距离的质心列表的值。所有的
def vq(self,image,centroids): x,y,z = image.shape Z=np.reshape(image,(x*y,z)) counts = np.zeros(len(centroids)) clusterMap = np.zeros(Z.shape,np.uint8) for i in range(Z.shape[0]): color = Z[i] closestIndex = self.getClosestCenter(color, centroids) counts[closestIndex]+=1# tracking how often each color occurs clusterMap[i] = centroids[closestIndex] return clusterMap,counts def getClosestCenter(self,color,centers): distances = [0 for i in range(len(centers))] for i,center in enumerate(centers): distances[i] = self.getDistance(color, center) return distances.index(min(distances)) def getDistance(self,value1,value2): if len(value1) !=len(value2): return None #error sum = 0 for i in range(len(value1)): sum+=(value1[i]-value2[i])**2 return sum**(0.5)
感谢您的回复。 因此,不是使用'枚举',而是手动增加'int'会更好? 对于最后一点,此方法不计算K均值,而是使用k均值中的值将原始图像的像素重新映射到从kmeans返回的中心。然而,我刚刚意识到opencv返回一个具有我需要的确切数据的'label'映射,所以我所要做的就是在该矩阵上执行一个直方图以获取每个质心的相对计数。 – TPB 2015-04-01 01:49:26
重映射也将使用最小二乘法。 – 2015-04-01 05:42:09