在硬币图像上进行结构化Ward层次聚类的演示

使用Ward层次聚类计算2D图像的分割。聚类在空间上受到约束，以使每个分割区域都成为一个整体。

# Authors: The scikit-learn developers
# SPDX-License-Identifier: BSD-3-Clause

生成数据

from skimage.data import coins

orig_coins = coins()

将其调整为原始大小的20%以加快处理速度。在缩小之前应用高斯滤波器进行平滑可以减少锯齿伪影。

import numpy as np
from scipy.ndimage import gaussian_filter
from skimage.transform import rescale

smoothened_coins = gaussian_filter(orig_coins, sigma=2)
rescaled_coins = rescale(
    smoothened_coins,
    0.2,
    mode="reflect",
    anti_aliasing=False,
)

X = np.reshape(rescaled_coins, (-1, 1))

定义数据结构

像素与其邻居连接。

from sklearn.feature_extraction.image import grid_to_graph

connectivity = grid_to_graph(*rescaled_coins.shape)

计算聚类

import time as time

from sklearn.cluster import AgglomerativeClustering

print("Compute structured hierarchical clustering...")
st = time.time()
n_clusters = 27  # number of regions
ward = AgglomerativeClustering(
    n_clusters=n_clusters, linkage="ward", connectivity=connectivity
)
ward.fit(X)
label = np.reshape(ward.labels_, rescaled_coins.shape)
print(f"Elapsed time: {time.time() - st:.3f}s")
print(f"Number of pixels: {label.size}")
print(f"Number of clusters: {np.unique(label).size}")

Compute structured hierarchical clustering...
Elapsed time: 0.161s
Number of pixels: 4697
Number of clusters: 27

在图像上绘制结果

凝聚聚类能够分割每个硬币，但是我们不得不使用一个比硬币数量大的 n_cluster，因为分割在背景中找到了一个大的区域。

import matplotlib.pyplot as plt

plt.figure(figsize=(5, 5))
plt.imshow(rescaled_coins, cmap=plt.cm.gray)
for l in range(n_clusters):
    plt.contour(
        label == l,
        colors=[
            plt.cm.nipy_spectral(l / float(n_clusters)),
        ],
    )
plt.axis("off")
plt.show()

相关示例

层次聚类：结构化与非结构化Ward

层次聚类：结构化与非结构化Ward

在玩具数据集上比较不同的层次链接方法

在玩具数据集上比较不同的层次链接方法

不同指标的凝聚聚类

不同指标的凝聚聚类

带结构和不带结构的凝聚聚类

带结构和不带结构的凝聚聚类