如何改进 K 均值聚类的“哑”矢量量化算法

Question

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。

首先，我尝试仅使用 numpy 来复制结果。

从尺寸为 MxNx3 的图像开始，我使用带有 opencv 的 kmeans 创建了一个“质心”Kx3 数组。

我需要将原始图像的每个像素映射到centroids数组中最接近原始像素的像素值。

我可以正常工作，但性能很糟糕。我确信必须有更高级的方法来计算它，我怀疑它与最近邻搜索有关（也许？）但不确定。

这是我目前正在做的事情：我认为这可能被称为“蛮力”方法

1. 遍历图像中的每个像素
2. 计算该像素与质心列表中每个像素之间的欧式距离
3. 从第 2 步生成的列表中返回最小值

4. 将原始图像像素分配给返回最小距离的质心列表的值。

   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)
   

Answer 1

首先，分析您的代码，看看它到底是哪里慢了。 enumerate 之类的构造可能非常昂贵，因为它们需要创建许多元组对象并进行垃圾回收。一个好的经验法则是避免在内部循环和函数中分配对象（这包括元组等隐藏对象）

最后但同样重要的是，kmeans 不使用欧几里得距离。它使用平方和。去掉平方根。