MATLAB：绘制质心答案

【问题标题】：MATLAB: draw centroidsMATLAB：绘制质心
【发布时间】：2011-02-08 15:09:00
【问题描述】：

我的主要问题是一个特征质心，我如何在 MATLAB 中绘制它？

更详细地说，我有一个NxNx3 图像（RGB 图像），我使用4x4 块并为每个块计算6 维特征向量。我将这些特征向量存储在一个Mx6 矩阵中，在该矩阵上运行kmeans 函数并在kx6 矩阵中获得质心，其中k 是集群的数量，6 是每个特征的数量块。

如何在我的图像中绘制这些中心簇，以便可视化算法是否按照我希望的方式执行？或者，如果有人对我如何可视化图像上的质心有任何其他方式/建议，我将不胜感激。

【问题讨论】：

标签： matlab cluster-analysis data-visualization k-means image-segmentation

【解决方案1】：

这是可视化集群的一种方法：

正如您所描述的，首先我提取块，计算每个块的特征向量，然后对这个特征矩阵进行聚类。

接下来我们可以可视化分配给每个块的集群。请注意，我假设 4x4 块是不同的，这很重要，以便我们可以将块映射到它们在原始图像中的位置。

最后，为了在图像上显示聚类质心，我只需找到离每个聚类最近的块并将其显示为该聚类的代表。

这是展示上述想法的完整示例（在您的情况下，您可能希望用您自己的实现替换计算每个块的特征的函数；我只是采用 min/max/mean/median/Q1 /Q3 作为每个 4x4 块的特征向量）：

%# params
NUM_CLUSTERS = 3;
BLOCK_SIZE = 4;
featureFunc = @(X) [min(X); max(X); mean(X); prctile(X, [25 50 75])];

%# read image
I = imread('peppers.png');
I = double( rgb2gray(I) );

%# extract blocks as column
J = im2col(I, [BLOCK_SIZE BLOCK_SIZE], 'distinct');  %# 16-by-NumBlocks

%# compute features for each block
JJ = featureFunc(J)';                                %'# NumBlocks-by-6

%# cluster blocks according to the features extracted
[clustIDX, ~, ~, Dist] = kmeans(JJ, NUM_CLUSTERS);

%# display the cluster index assigned for each block as an image
cc = reshape(clustIDX, ceil(size(I)/BLOCK_SIZE));
RGB = label2rgb(cc);
imshow(RGB), hold on

%# find and display the closest block to each cluster
[~,idx] = min(Dist);
[r c] = ind2sub(ceil(size(I)/BLOCK_SIZE), idx);
for i=1:NUM_CLUSTERS
    text(c(i)+2, r(i), num2str(i), 'fontsize',20)
end
plot(c, r, 'k.', 'markersize',30)
legend('Centroids')

【讨论】：

【解决方案2】：

质心不对应于图像中的坐标，而是对应于特征空间中的坐标。有两种方法可以测试 kmeans 的执行情况。对于这两种方式，您都希望首先将这些点与其最近的集群相关联。您可以从 kmeans 的第一个输出中获取此信息。

(1)您可以通过将6维空间缩小为2或3维空间，然后用不同颜色绘制不同分类的坐标来可视化聚类结果。

假设特征向量收集在一个名为featureArray 的数组中，并且您要求nClusters 集群，您将使用mdscale 将数据转换为3D 空间，如下所示：

%# kmeans clustering
[idx,centroids6D] = kmeans(featureArray,nClusters);
%# find the dissimilarity between features in the array for mdscale.
%# Add the cluster centroids to the points, so that they get transformed by mdscale as well.
%# I assume that you use Euclidean distance. 
dissimilarities = pdist([featureArray;centroids6D]);
%# transform onto 3D space
transformedCoords = mdscale(dissimilarities,3);
%# create colormap with nClusters colors
cmap = hsv(nClusters);
%# loop to plot
figure
hold on,
for c = 1:nClusters
    %# plot the coordinates
    currentIdx = find(idx==c);
    plot3(transformedCoords(currentIdx,1),transformedCoords(currentIdx,2),...
        transformedCoords(currentIdx,3),'.','Color',cmap(c,:));
    %# plot the cluster centroid with a black-edged square
    plot3(transformedCoords(1:end-nClusters+c,1),transformedCoords(1:end-nClusters+c,2),...
        transformedCoords(1:end-nClusters+c,3),'s','MarkerFaceColor',cmap(c,:),...
        MarkerEdgeColor','k');
end

(2) 或者，您可以创建一个伪彩色图像，显示图像的哪一部分属于哪个集群

假设你有nRows by nCols 块，你写

%# kmeans clustering
[idx,centroids6D] = kmeans(featureArray,nClusters);
%# create image
img = reshape(idx,nRows,nCols);
%# create colormap
cmap = hsv(nClusters);

%# show the image and color according to clusters
figure
imshow(img,[])
colormap(cmap)

【讨论】：