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。
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。
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。
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。
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。 分层聚类 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 DBSCAN
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。