Image processing 执行k意味着使用数据样本进行聚类

我是一名医学物理学硕士生，目前正在撰写论文。这项工作包括从内窥镜图像中提取特征并使用支持向量机进行分类。我有4种类型的图像。类型1为非癌症图像，类型2、3和4为癌前图像。我把问题简化为两级制。C1类、1类图像和C2类所有其他图像

我使用的方法如下： 我使用密集筛选从每幅图像中提取特征。所以我得到了描述符，比如说每个图像128x1000。在128维空间中有1000个点。每个图像的点数不同，但为了简单起见，我们假设每个图像有1000个点。我使用50张C1类和50张C2类的图像对数据集进行了划分，以便进行训练

如果我使用100个训练图像，我将获得128x100000的数据。如果我对这些数据执行k-means聚类，例如使用400个聚类，这是一个非常长的过程。因此，我想对这些数据进行采样，例如，选择10000个均匀分布的点，这样每个图像都能得到相等的表示。实际上，我在分类过程中得到了很好的结果，但我怀疑这是否可以做到

---

如果我使用所有数据点来计算中心，或者我可以采样这些数据进行计算，这会有很大的不同吗？？对于要使用的部分数据，什么值是合理的

通常先在样本上运行k-means

这将为您提供一个很好的最终集群中心估计，并且通过使用这些作为完整k-means运行的种子，您可能只需要一次迭代

---

K-means有很多问题（维度诅咒、通常无意义的结果、选择K），但可伸缩性不是其中之一。它可以运行得非常快，100k对象应该只需要一分钟，除非您使用的是非常慢的编程语言。

尝试正确设置问题的格式（使用段落、强调和代码突出显示），并对其进行更多解释，以便更好地理解问题。如果可能的话，也可以添加一些相关的标签。谢谢你的建议。我是新手。你能告诉我们为什么训练时间长是个大问题吗？K-Means聚类会产生特定的决策边界（例如，如果输入图像，它将决定是否检测到“健康”图像或“癌症”图像）。训练只进行一次，因此，大量的计算时间不应该成为一个大问题。在128维空间中工作确实会招致“维度诅咒”。其他模式识别算法可能会提供更好的结果。我使用DSIFT在两个尺度上为灰度空间中的每幅图像提取描述符。我对数据做了3倍的CV，并计算了每张图像的直方图。然后将这些直方图输入支持向量机。这个过程花了我大约6个小时。我的下一步是向该描述符添加另外三个描述符，分别将DSIF应用于R、G和B通道。这使得计算时间增加到18小时。这是一个令人担忧的问题，因为我将在之前的描述中添加更多的描述符。我的想法是，在计算直方图的视觉术语之前，我可以对数据进行采样。那是我们最重要的计算时间。或者我用错误的方式连接了描述符。非常感谢你的回答，Anony Mouse。所以你的意思是，我可以用一个数据样本来估计中心的位置。这将是在整个数据计算中要考虑的初始位置。我使用VLY-FAT库来执行Matlab中的所有计算。但是增加更多的描述符不应该增加那么多的计算时间。我应该如何连接描述符？？例如，灰色描述符是在两个尺度上提取的，因此我将使用d{1}和d{2}。如果我计算其他描述符，比如d1{1}和d1{2}，我是否应该将数据连接为描述符=[[d{1}，d{2}]；d1{1}，d1{2}]？？从而增加了特征的数量，而不是点的数量。非常感谢。我不知道灰色描述词是什么，所以我帮不了你什么忙。对不起。没有正确地解释我自己。我是指将RGB图像转换为灰色后提取的SIFT描述符。对于那个描述符，我必须添加其他描述符。所以我的问题是我应该垂直连接还是水平连接？？如果我垂直做，我会增加功能的数量。如果我水平地做，我会增加点数。你之前说过，k-means只需要不到一分钟的时间就可以得到100k个点，但我有大约200k个点，大约需要20分钟。我使用整数k-means，因为数据是整数，并且使用Elkan算法来执行计算