集群中心是k-means？

Question

我有一个96x96像素的灰度面部图像。 我想找到眼睛中心和唇角。 我在面部图像上应用了一个gabor滤镜（theta = pi / 2，lamda = 1.50），在卷积后我得到了这样的滤镜输出。

正如你从gabor输出中看到的那样，眼睛和嘴角是清晰可辨的。 我应用scikit kmeans聚类将像素组合成4个簇（2个眼睛和2个唇角）

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

产量

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)

现在问题是：我如何绘制4个聚类中心的质心x，y坐标？ 我会看到眼睛中心和嘴角吗？

更多信息：我绘制了estimator.cluster_centers_，输出就像一本代码簿。 我没有看到聚类质心的坐标。

我正在使用本文所述的步骤： http ： //jyxy.tju.edu.cn/Precision/MOEMS/doc/p36.pdf

Answer 1

我认为这里有一些关于你正在进行K-means聚类的空间的混淆。 在您提问中的代码段中，您将使用矢量化面部图像作为数据点来训练KMeans模型。 K-means群集与您提供的数据位于同一个空间中，因此（正如您所注意到的）您的群集质心也将是矢量化的脸部图像。 重要的是，这些面部图像的尺寸为9216，而不是尺寸2（即xy坐标）！

要获得二维（x，y）坐标作为K均值质心，您需要使用二维输入数据运行算法。 就在我的脑海中，您似乎可以对脸部图像应用暗度阈值，并组装仅有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存在最暗像素的像素位置。 这些位置（假设您的训练数据中的面部图像已经有所记录）应该与您希望的眼睛和嘴角有些接近。

这可能会让人感到困惑，所以我会尝试添加一个例子。 让我们说一个例子，你有“3个像素宽，4个像素高的”脸部图像“。 在对其中一个图像中的像素进行阈值处理后，它可能看起来像：

0 1 2  <-- x coordinates

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

如果你直接在K-means中使用这个“图像”，你真的在​​12维空间中运行你的K-means算法，上面的图像将被矢量化为：

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

那么你的K-means聚类质心也将存在于同一个12维空间中。

我想建议的是你可以提取每个图像中1s的（x，y）坐标，并将它们用作K-means算法的数据。 因此，对于上面的示例图像，您将获得以下数据点：

1 1
0 2
2 3

在这个例子中，我们从这一个“图像”中提取了3个二维点; 拥有更多图像，您将获得更多的二维点。 使用这些二维数据点运行K-means后，您将获得聚类质心，这些聚类质心也可以解释为原始图像中的像素位置。 您可以在图像上绘制这些质心位置，并查看它们在图像中的对应位置。