Image 基于Kmean聚类的图像分割
以下kmeans集群之间有什么区别吗 a) 将图像转换为灰度并对1D特征向量执行kmeans b) 保留3个通道RGB,并对3D特征向量执行kmeans c) 获取图像直方图并对分布执行kmeans 第一个解决方案肯定更快,但会有区别吗?可能某些像素具有不同的RGB,但具有相同的强度?1)从RGB转换为灰度通常不是通过简单地平均值来完成的(请参阅)。如果使用这种不寻常的方式进行,即使K-means中使用的欧几里德距离也会为您的案例(a)和(b)提供不同的距离,从而产生不同的聚类,正如您所提到的[edit]。但是,由于灰度值是加权和(权重不同于1/3),因此RGB之间的欧几里德距离不同于灰度值的差值-因此它们是不同的 2) 我不完全清楚你的(c),但对分布执行k-means是很奇怪的。你的意思是使用K-均值作为模型来拟合分布,以便识别直方图中的峰值和谷值吗?如果是这样的话,它只是案例(a)本身的一个微小变化。它们可能非常相似(不确定它们是否相同,可能是!),如果你将案例(c)视为案例(a)的重写,将所有相同的项组合在平方误差的总和中,并将其重写为乘数乘以差值。[如:x1+x2+x1+x3被写为2x1+x2+x3]Image 基于Kmean聚类的图像分割,image,k-means,Image,K Means,以下kmeans集群之间有什么区别吗 a) 将图像转换为灰度并对1D特征向量执行kmeans b) 保留3个通道RGB,并对3D特征向量执行kmeans c) 获取图像直方图并对分布执行kmeans 第一个解决方案肯定更快,但会有区别吗?可能某些像素具有不同的RGB,但具有相同的强度?1)从RGB转换为灰度通常不是通过简单地平均值来完成的(请参阅)。如果使用这种不寻常的方式进行,即使K-means中使用的欧几里德距离也会为您的案例(a)和(b)提供不同的距离,从而产生不同的聚类,正如您所提到的[