k-means 中的聚类中心？
Cluster centers in k-means?
我有一张 96x96 像素的灰度面部图像。我正在尝试找到眼睛中心和唇角。我在面部图像上应用了一个 gabor 滤波器 (theta=pi/2, lamda=1.50)，在卷积之后我得到了这样的滤波器输出。
从gabor输出可以看出眼睛和嘴角清晰可辨。我应用 scikit kmeans 聚类将像素分组到 4 个簇（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)
问题来了：如何绘制4个簇中心的质心x,y坐标？我会看到眼睛中心和嘴角吗
更多信息：我绘制了 estimator.cluster_centers_，输出就像一本密码本。我看不到簇质心的坐标。
我正在使用本文中描述的步骤：http://jyxy.tju.edu.cn/Precision/MOEMS/doc/p36.pdf
我认为您在 space 中进行 K 均值聚类时存在一些混淆。在问题中包含的代码片段中，您正在使用矢量化面部图像作为数据点来训练 KMeans 模型。 K-means 集群与您提供的数据位于相同的 space 中，因此（正如您所注意到的）您的集群质心也将是矢量化人脸图像。重要的是，这些人脸图像的维度是 9216，而不是维度 2（即 x-y 坐标）！
要获得二维 (x, y) 坐标作为 K 均值质心，您需要 运行 使用二维输入数据的算法。就在我的脑海中，你似乎可以对你的面部图像应用暗度阈值和 assemble 仅包含暗像素位置的聚类数据集。然后在这个数据集上 运行 K-means 之后，质心将有望接近面部图像中最暗像素的像素位置。这些位置（假设您的训练数据中的面部图像已经在一定程度上注册了）应该有点靠近您希望的眼睛和嘴角。
这可能真的很令人困惑，所以我将尝试添加一个示例。举个例子，您有 "face images"，宽 3 像素，高 4 像素。在对其中一张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
如果你直接在 K-means 中使用这个 "image"，你实际上是 运行在 12 维 space 中使用你的 K-means 算法，上图将被矢量化为：
0 0 0 0 1 0 1 0 0 0 0 1
那么你的 K-means 聚类质心也将位于相同的 12 维 space。
我想建议的是，您可以提取每个图像中 1 的 (x, y) 坐标，并将其用作 K-means 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，我们从中提取了 3 个二维点 "image"；使用更多图像，您将获得更多二维点。在对这些二维数据点进行 运行 K 均值运算后，您将获得聚类质心，它也可以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对应的位置。
我有一张 96x96 像素的灰度面部图像。我正在尝试找到眼睛中心和唇角。我在面部图像上应用了一个 gabor 滤波器 (theta=pi/2, lamda=1.50)，在卷积之后我得到了这样的滤波器输出。
从gabor输出可以看出眼睛和嘴角清晰可辨。我应用 scikit kmeans 聚类将像素分组到 4 个簇（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)
问题来了：如何绘制4个簇中心的质心x,y坐标？我会看到眼睛中心和嘴角吗
更多信息：我绘制了 estimator.cluster_centers_，输出就像一本密码本。我看不到簇质心的坐标。
我正在使用本文中描述的步骤：http://jyxy.tju.edu.cn/Precision/MOEMS/doc/p36.pdf
我认为您在 space 中进行 K 均值聚类时存在一些混淆。在问题中包含的代码片段中，您正在使用矢量化面部图像作为数据点来训练 KMeans 模型。 K-means 集群与您提供的数据位于相同的 space 中，因此（正如您所注意到的）您的集群质心也将是矢量化人脸图像。重要的是，这些人脸图像的维度是 9216，而不是维度 2（即 x-y 坐标）！
要获得二维 (x, y) 坐标作为 K 均值质心，您需要 运行 使用二维输入数据的算法。就在我的脑海中，你似乎可以对你的面部图像应用暗度阈值和 assemble 仅包含暗像素位置的聚类数据集。然后在这个数据集上 运行 K-means 之后，质心将有望接近面部图像中最暗像素的像素位置。这些位置（假设您的训练数据中的面部图像已经在一定程度上注册了）应该有点靠近您希望的眼睛和嘴角。
这可能真的很令人困惑，所以我将尝试添加一个示例。举个例子，您有 "face images"，宽 3 像素，高 4 像素。在对其中一张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
如果你直接在 K-means 中使用这个 "image"，你实际上是 运行在 12 维 space 中使用你的 K-means 算法，上图将被矢量化为：
0 0 0 0 1 0 1 0 0 0 0 1
那么你的 K-means 聚类质心也将位于相同的 12 维 space。
我想建议的是，您可以提取每个图像中 1 的 (x, y) 坐标，并将其用作 K-means 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，我们从中提取了 3 个二维点 "image"；使用更多图像，您将获得更多二维点。在对这些二维数据点进行 运行 K 均值运算后，您将获得聚类质心，它也可以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对应的位置。