【机器学习】人像识别（三）——K-Means聚类

最新推荐文章于 2024-06-25 15:45:56 发布

VegB

最新推荐文章于 2024-06-25 15:45:56 发布

阅读量3.8k

点赞数 2

CC 4.0 BY-SA版权

分类专栏： Python 机器学习文章标签：机器学习数据挖掘算法 K-Means 无监督

本文链接：https://blog.youkuaiyun.com/daphne566/article/details/54931371

本文介绍了K-Means聚类算法在人像识别中的使用，阐述了算法的基本原理，并分享了在实际操作中遇到的质心不变问题及解决方案。通过调整色调较暗图片的灰度值，成功改善了聚类稳定性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

简介

　　K-Means聚类是一种非监督的聚类方式，原理参看数据挖掘十大算法 | k-means。
　　

代码

import sys
import random
import numpy as np
from sklearn.decomposition import IncrementalPCA

imgNum = 10 # 几张图片
KNum = 2 # 分成几类
n = 2 # 每张图片都是n×n
dimension = 2016 # 每张图片的维数
dst_dimension = 10 # 想降到的维数
bound = 10 # 前后两次迭代结果之差小于这个时可以停止
maxRecurseTime = 10 # 最多迭代次数
centroids = [] # 存放KNum个质心的n维坐标向量
last_centroids = [] # 上一次递归得到的质心坐标们
ori_dots = [] # 存放每个点的n维坐标向量
dots  = [] # 降维之后的点的坐标
clusters = [] # 存放每个类中有哪些点， clusters[i]中存放的是第i类中的点的下标，第i类的中心是centroids[i]
selected = []

Distance =