修复 KMeans 集群位置答案

【问题标题】：Fix KMeans cluster position修复 KMeans 集群位置
【发布时间】：2020-11-21 07:32:24
【问题描述】：

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组的像素数。为此，我将质心的初始位置设置在我想分类的位置，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，所以当我计算元素的数量时，它会变成错误的颜色。

当我没有一种或多种颜色位于图像的初始质心时，通常会发生这种情况。在这种情况下，我希望它改为 0。

有谁知道如何在 KMeans 预测的输出上固定初始质心的顺序？

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 'pixels' 变量时，0 并不总是对应黑色，1 并不总是对应 Col1，等等。

【问题讨论】：

标签： python machine-learning scikit-learn cluster-analysis k-means

【解决方案1】：

如果您不希望颜色迁移，您可能不应该使用 k-means。相反，只需在颜色和图像像素之间使用pairwise distances，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位置。一种选择是重新排序适合的KMeans 对象的cluster_centers_ 属性（可能还有labels_）的行。另一个 - 可能更安全 - 选项是计算拟合聚类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。如果您想一步完成，您可以继承 KMeans 或通过创建您自己的派生自 BaseEstimator 的类来包装它。

【讨论】：