修复 KMeans 集群位置

Question

我正在尝试使用 KMeans 对 RGB 颜色进行聚类，并自动计算图像上每个组的像素数。为此，我将质心的初始位置设置在我想要分类的位置，并从 sklearn 运行 KMeans。

问题是，根据图像，算法输出会改变初始质心向量的顺序，因此当我计算元素数量时，它会变成错误的颜色。

当我在图像的初始质心中没有一种或多种颜色时，通常会发生这种情况。在这种情况下，我希望它计数为 0。

有谁知道如何修复 KMeans 预测输出的初始质心顺序？

代码如下：

 centroid_start = np.array([[0,0,0],#Black

                           [38,64,87], #Col1

                           [43,68,98], #Col2

                           [23,42,45], #Col3

                           [160, 62, 0],#Col3

                           [153, 82, 33], #Col5

                           [198, 130, 109], #Col6

                           [100,105,79], #Col7

                           [220,138, 22]#Col8

                           ], np.float64)      

    image = cv.cvtColor(img, cv.COLOR_HSV2RGB)

    reshape=image.reshape((image.shape[0]*image.shape[1], 3))

    cluster = KMeans(n_clusters =np.shape(centroid_start[0], init =centroid_start).fit(reshape)

 pixels = Counter(cluster.labels_)

print(pixels)

问题是：当我检查“像素”变量时，0 并不总是对应于黑色，1 并不总是对应于 Col1，等等。

Answer 1

如果您不想迁移颜色，则可能不应该使用 k-means。相反，只需使用颜色和图像像素之间的成对距离，然后选择距离最小的颜色。如果您确实希望初始颜色迁移，那么您必须接受一些初始聚类中心（颜色）可能会消失或可能迁移到与初始颜色非常不同的东西。一种选择是重新排序适合的KMeanscluster_centers_对象的属性行（可能还有labels_）。另一个 - 可能更安全 - 选项是计算拟合簇中心到原始颜色的映射（再次使用成对距离），然后转换后续 k-means 分类的结果。如果你想一步完成所有这些，你可以通过创建你自己的派生自BaseEstimator的类来子类化或包装它。KMeans