基于边缘强度对数据点进行聚类

作者: 昵称不能为空
发布时间: 2024-04-03 04:19:53 (22天前)
转自：

3 条回复

0#
回复此人
浮华丶 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> 首先，通常在灰度图像上执行精确检测器。如果您使用的是像opencv这样的库，那么您的rgb图像很可能是在引擎盖下转换的。 </p> <P> 我假设当你说“两种颜色之间的边缘强度”时，你会想到它就像一半图像是一种颜色而另一半是另一种颜色。如果您只想要这种图像中边缘的强度，则不需要边缘的方向。您也不需要图像。边缘的强度只是两个强度的差异，这很好，因为如果您的距离度量是可传递的，您可以使用k均值。 </p> <P> 如果你有rgb颜色，只需将它们转换为灰度并用k-means将它们分组。 </p> <P> 另一件事是，如果你使用库中的canny，它可能会在计算你可能不需要的强度之前应用一些平滑。 </p> </DIV>

编辑
1#
回复此人
哦豁 | 2019-08-31 10-32

<div class =“post-text”itemprop =“text”> <P> K均值聚类使用每个观察值，而不是它们之间的关系。因此，如果您希望以您拥有的形式对数据进行聚类，则可以使用其他聚类方法将成对关系作为输入。 <a href="http://en.wikipedia.org/wiki/Hierarchical_clustering" rel="nofollow"> 分层聚类 </A> 可以是一个例子。可以以接受成对接近矩阵的方式实现的另一种方法是 <a href="http://en.wikipedia.org/wiki/DBSCAN" rel="nofollow"> DBSCAN </A> </p> <P> 如果你能理解边缘强度取决于颜色值的规律，你可以在一些坐标空间中获得颜色的绝对位置，并通过k-means获得颜色的绝对位置。例如，如果你用RGB测量欧几里德距离的强度 - 你可以简单地用颜色的RGB值做k均值。但是看看你的数据，看起来你的优势与RGB欧几里德距离不成比例。 </p> </DIV>

编辑

登录后才能参与评论