从许多数字和字符图片中进行图像聚类，将相似的图片组合在一起

Posted 2023-03-12

技术标签:

【中文标题】从许多数字和字符图片中进行图像聚类，将相似的图片组合在一起【英文标题】：Image clustering from many number and char pictures , group similar ones together 【发布时间】：2017-12-17 18:31:24 【问题描述】：

我有很多图片，其中的内容是其中之一 0123456789abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ，如下图：

有一万张图片，我不想自己贴标签。所以我尝试使用 sklearn 对它们进行聚类。

我的计划：

选择 sklearn 聚类模型，例如 Kmeans

由于1,l,Ic,Co,Os,Sx,Xv,Vz,Z类似，我可以设置一个较低的n_cluster参数，比如56。

将所有图像填充到相同大小，但位置随机（我认为这可能会带来很好的结果）。

集群完成后，我可以将标签（1~56）标记为真正的字符。然后可以使用这个数据集来训练一个分类器。

但梦想是美好的，事实是艰难的。

我的代码：

from sklearn import cluster
data = load('data.pkl', '.')

#data.shape
#(103083, 76, 70)

k_means = cluster.KMeans(n_clusters=56, n_jobs=-1)
k_means.fit(data.reshape((data.shape[0], -1)))

# print top 10 image which label by 25
for i in data[np.where(k_means.labels_==25)[0][:10]]:
    plt.figure(figsize=(1,1)), plt.imshow(i, 'gray')
    plt.xticks([]), plt.yticks([])

输出：

看起来 kmeans 仅由位置确定（标签 25 都在中间）。我现在正在尝试其他模型（不包括神经网络），但其中许多没有n_job 参数（用于并行处理），非常慢。我猜结果也可能像kmeans。所以我在这里为这种情况寻求适当的解决方案。

【问题讨论】：

比较是如何进行的？什么相似度得分？ 【参考方案1】：

如果我要这样做，我会

手动标记每个字符的几个样本（比如 4 个，大约 250 个图像），

对最近邻进行自动分类，

如果对分类有疑问，建议最接近的分类并请求人工确认。当最佳聚类和次佳聚类的相似度差异超过估计的聚类大小时，会提出疑问。

为了提高安全性，在第一个训练步骤之后，您可以检查每个集群中的异常值。

【讨论】：

【参考方案2】：

K-means 和几乎所有聚类算法都不会比较相邻像素。因为向量中没有这样的邻接。所以聚类算法不能在像素上做到这一点。