image-processing - k-means 中的聚类中心？

Question

我有一个 96x96 像素的灰度面部图像。我正在尝试找到眼部中心和唇角。我在面部图像上应用了一个 gabor 滤波器(theta=pi/2，lamda=1.50)，经过卷积后我得到了这样的滤波器输出。

正如您从 gabor 输出中看到的，眼睛和嘴角清晰可辨。我应用 scikit kmeans 聚类将像素分组为 4 个聚类(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

输出

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)

现在的问题是:如何绘制 4 个聚类中心的质心 x,y 坐标？我能看到眼睛中心和嘴角吗

更多信息:我绘制了 estimator.cluster_centers_ ，输出就像一本密码书。我没有看到簇质心的坐标。

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

Answer 1

我认为您进行 K 均值聚类的空间存在一些困惑。在问题中包含的代码片段中，您正在使用矢量化人脸图像作为数据点来训练 KMeans 模型。 K 均值簇与您提供的数据位于同一空间中，因此(正如您所注意到的)您的簇质心也将是矢量化的面部图像。重要的是，这些面部图像的维度为 9216，而不是维度 2(即 x-y 坐标)!

要获取二维 (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，似乎您可以对脸部图像应用黑暗阈值，并组装仅包含黑暗像素位置的聚类数据集。然后，在该数据集上运行 K 均值后，质心有望接近面部图像中最暗像素的像素位置。这些位置(假设训练数据中的面部图像已经在一定程度上注册)应该稍微靠近您希望的眼睛和嘴角。

这可能真的很令人困惑，所以我会尝试添加一个示例。举个例子，您有 3 像素宽 x 4 像素高的“面部图像”。对一幅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

如果您直接在 K-means 中使用此“图像”，那么您实际上是在 12 维空间中运行 K-means 算法，并且上面的图像将矢量化为:

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

那么您的 K 均值聚类质心也将位于同一个 12 维空间中。

我试图建议的是，您可以提取每个图像中 1 的 (x, y) 坐标，并将它们用作 K 均值算法的数据。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，我们从这个“图像”中提取了 3 个二维点；图像越多，您就会获得更多的二维点。对这些二维数据点运行 K 均值后，您将获得聚类质心，也可以将其解释为原始图像中的像素位置。您可以在图像顶部绘制这些质心位置，并查看它们在图像中的对应位置。