|
重磅干貨，第一時(shí)間送達(dá) K-Means聚類是最常用的無(wú)監(jiān)督機(jī)器學(xué)習(xí)算法之一。顧名思義，它可用于創(chuàng)建數(shù)據(jù)集群，從本質(zhì)上將它們隔離,。 現(xiàn)在，我們將做一個(gè)簡(jiǎn)單的示例,，將文件夾中的圖像進(jìn)行分離,，該文件夾既有貓也有狗的圖像。并且將創(chuàng)建兩個(gè)單獨(dú)的文件夾（群集）,，我們將介紹如何自動(dòng)確定K的最佳值,。 貓和狗的圖像數(shù)據(jù)集 首先，我們將從導(dǎo)入所需的庫(kù)開始,。 import numpy as npimport tensorflow as tfimport matplotlib.pyplot as pltfrom sklearn.cluster import KMeansfrom sklearn.metrics import silhouette_scoreimport cv2import os, glob, shutilinput_dir = 'pets'glob_dir = input_dir + '/*.jpg'images = [cv2.resize(cv2.imread(file), (224, 224)) for file in glob.glob(glob_dir)]paths = [file for file in glob.glob(glob_dir)]images = np.array(np.float32(images).reshape(len(images), -1)/255)現(xiàn)在，我們將在MobileNetV2（傳輸學(xué)習(xí)）的幫助下進(jìn)行特征提取。當(dāng)然我們可以使用ResNet50,，InceptionV3等,，但是MobileNetV2速度很快，而且資源也不是很多,。 model = tf.keras.applications.MobileNetV2(include_top=False,weights=’imagenet’, input_shape=(224, 224, 3))predictions = model.predict(images.reshape(-1, 224, 224, 3))pred_images = predictions.reshape(images.shape[0], -1)現(xiàn)在,，我們已經(jīng)實(shí)現(xiàn)了提取功能，現(xiàn)在可以使用KMeans進(jìn)行聚類了,。 k = 2kmodel = KMeans(n_clusters = k, n_jobs=-1, random_state=728)kmodel.fit(pred_images)kpredictions = kmodel.predict(pred_images)shutil.rmtree(‘output’)for i in range(k): os.makedirs(“output\cluster” + str(i))for i in range(len(paths)): shutil.copy2(paths[i], “output\cluster”+str(kpredictions[i]))輸出結(jié)果如下： 小狗： 貓： 另外我們?nèi)绾未_定數(shù)據(jù)集的K值,？我們可以使用輪廓法或肘部法確定它,。我們將在這里使用輪廓法,，當(dāng)然這兩種方法都可獲得最可靠的結(jié)果，所以能直接確定K,。 當(dāng)我們將馬的圖像添加到原始數(shù)據(jù)集中時(shí),，我們來(lái)確定K的值。 sil = []kl = []kmax = 10for k in range(2, kmax+1): kmeans2 = KMeans(n_clusters = k).fit(pred_images) labels = kmeans2.labels_ sil.append(silhouette_score(pred_images, labels, metric = ‘euclidean’)) kl.append(k)plt.plot(kl, sil)plt.ylabel(‘Silhoutte Score’)plt.ylabel(‘K’)plt.show()如我們所見,，K的最佳值為3，我們還成功創(chuàng)建了第三個(gè)集群： 如我們所見,，K-Means聚類是用于圖像分離的出色算法,。在某些時(shí)候，我們使用的方法可能無(wú)法提供準(zhǔn)確的結(jié)果,，我們可以嘗試使用其他卷積神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行修復(fù),，或者嘗試將圖像從BGR轉(zhuǎn)換為RGB，然后進(jìn)行處理,。 |
|
|
來(lái)自： 小白學(xué)視覺 > 《待分類》
