Matlab: Desenhe centróides

Question

Minha pergunta principal recebe um recurso Centroid, como posso desenhá -lo no Matlab?

Em mais detalhes, eu tenho um NxNx3 imagem (uma imagem RGB) da qual tomo 4x4 bloqueia e calcule um 6Vector de recurso dimensional para cada bloco. Eu guardo esses vetores de recursos em um Mx6 matriz em que eu corro kmeans funcionar e obter os centróides em um kx6 Matrix, onde k é o número de grupos e 6 é o número de recursos para cada bloco.

Como posso desenhar esses clusters centrais na minha imagem para visualizar se o algoritmo está executando a maneira como eu gostaria de realizar? Ou, se alguém tiver outra maneira/sugestão sobre como eu posso visualizar os centróides na minha imagem, eu agradeço muito.

Answer 1

Aqui está uma maneira de visualizar os clusters:

Como você descreveu, primeiro extrai os blocos, calculo o vetor de recurso para cada um e cluster essa matriz.

Em seguida, podemos visualizar os clusters atribuídos a cada bloco. Observe que estou assumindo que os blocos 4x4 são distintos, isso é importante para que possamos mapear os blocos para o local deles de volta na imagem original.

Por fim, para exibir os centróides do cluster na imagem, simplesmente encontro o bloco mais próximo de cada cluster e exibi -lo como um representante desse cluster.

Aqui está um exemplo completo para mostrar a idéia acima (no seu caso, você deseja substituir a função que calcula os recursos de cada bloco por sua própria implementação; estou simplesmente tomando o min/max/média/mediana/q1/Q3 como Meu vetor de recurso para cada bloco 4x4):

%# params
NUM_CLUSTERS = 3;
BLOCK_SIZE = 4;
featureFunc = @(X) [min(X); max(X); mean(X); prctile(X, [25 50 75])];

%# read image
I = imread('peppers.png');
I = double( rgb2gray(I) );

%# extract blocks as column
J = im2col(I, [BLOCK_SIZE BLOCK_SIZE], 'distinct');  %# 16-by-NumBlocks

%# compute features for each block
JJ = featureFunc(J)';                                %'# NumBlocks-by-6

%# cluster blocks according to the features extracted
[clustIDX, ~, ~, Dist] = kmeans(JJ, NUM_CLUSTERS);

%# display the cluster index assigned for each block as an image
cc = reshape(clustIDX, ceil(size(I)/BLOCK_SIZE));
RGB = label2rgb(cc);
imshow(RGB), hold on

%# find and display the closest block to each cluster
[~,idx] = min(Dist);
[r c] = ind2sub(ceil(size(I)/BLOCK_SIZE), idx);
for i=1:NUM_CLUSTERS
    text(c(i)+2, r(i), num2str(i), 'fontsize',20)
end
plot(c, r, 'k.', 'markersize',30)
legend('Centroids')

Answer 2

Os centróides não correspondem às coordenadas na imagem, mas para coordenadas no espaço de recursos. Há duas maneiras pelas quais você pode testar o desempenho do Kmeans. Para os dois lados, você deseja associar os pontos ao seu cluster mais próximo. Você obtém essas informações da primeira saída de Kmeans.

(1) Você pode visualizar o resultado do cluster, reduzindo o espaço 6-dimensional para o espaço 2 ou tridimensional e, em seguida, plotando as coordenadas classificadas de maneira diferente em cores diferentes.

Supondo que os vetores de recurso sejam coletados em uma matriz chamada featureArray, e que você pediu nClusters Clusters, você faria o enredo o seguinte usando MDSCALE Para transformar os dados em, digamos, 3D Space:

%# kmeans clustering
[idx,centroids6D] = kmeans(featureArray,nClusters);
%# find the dissimilarity between features in the array for mdscale.
%# Add the cluster centroids to the points, so that they get transformed by mdscale as well.
%# I assume that you use Euclidean distance. 
dissimilarities = pdist([featureArray;centroids6D]);
%# transform onto 3D space
transformedCoords = mdscale(dissimilarities,3);
%# create colormap with nClusters colors
cmap = hsv(nClusters);
%# loop to plot
figure
hold on,
for c = 1:nClusters
    %# plot the coordinates
    currentIdx = find(idx==c);
    plot3(transformedCoords(currentIdx,1),transformedCoords(currentIdx,2),...
        transformedCoords(currentIdx,3),'.','Color',cmap(c,:));
    %# plot the cluster centroid with a black-edged square
    plot3(transformedCoords(1:end-nClusters+c,1),transformedCoords(1:end-nClusters+c,2),...
        transformedCoords(1:end-nClusters+c,3),'s','MarkerFaceColor',cmap(c,:),...
        MarkerEdgeColor','k');
end

(2) Você pode, alternativamente, criar uma imagem pseudo-cor que mostra qual parte da imagem pertence a qual cluster

Supondo que você tenha nRows por nCols Blocks, você escreve

%# kmeans clustering
[idx,centroids6D] = kmeans(featureArray,nClusters);
%# create image
img = reshape(idx,nRows,nCols);
%# create colormap
cmap = hsv(nClusters);

%# show the image and color according to clusters
figure
imshow(img,[])
colormap(cmap)