数据聚类如何帮助图像或模式识别

我一直在使用不同的数据聚类算法来处理代表节点的随机数据点之间的聚类,我一直在阅读数据聚类用于图像识别.我没有建立联系,聚类数据如何帮助识别图像或面部识别.有人能解释一下吗？

毫无疑问,聚类用于模式识别,尤其是图像识别:聚类是一个简化过程,这个百万像素时代的图像需要沸腾......它也是一个产生类别的过程,当然有用.

然而,有许多使用聚类作为图像识别技术的方法.这种多样性的原因之一是聚类可以在不同的层面上应用,用于不同的目的:从基本像素级到特征级(特征是线,几何图......),用于分类或用于其他目的.

在非常高的层次上,聚类是一种统计工具,它有助于发现各种维度在定义特定项目对特定类别的归属方面的相对重要性.

这种工具的一个 [中]使用是在监督学习中,其中一组人类选择的项目(例如图像)被馈送到基于群集的逻辑中,以及与特定项目相关联的标签( "这是一个苹果","这是另一个苹果","这是一个柠檬" ...),聚类逻辑然后确定多少帮助每个组的项目(苹果,柠檬的输入事项的每一维.. .)适合于一个独特的簇(例如颜色可能相对较少,但形状,或点的存在,或任何可能很重要的事情).在这个训练阶段之后,新的图像可以被输入到逻辑中,并且通过查看该图像落入特定聚类的接近程度,它被"识别"(作为香蕉!).

当谈到图像处理时,需要记住的是,任何被"馈送"到聚类逻辑的东西不一定(实际上很少)是原始像素,而是表征原始数据的各种"元素"的各种"对象"(实质上是相对较高维度向量的集合,与在其他其他数据聚类示例中可能遇到的一些不同,并且由该过程的前一阶段产生.例如,面部识别的一个重要因素可能是眼睛中心之间的确切距离.在前面的阶段中,图像的处理方式可以确定眼睛的位置(可能依赖于另一个基于聚类的逻辑).然后,眼睛之间的距离以及许多其他元素被馈送到最终的聚类逻辑.

前面的描述仅是使用聚类进行图像识别的一个例子.实际上,在这个领域中已经非常成功地使用了各种形式的神经网络,并且可以认为在某种意义上这些神经网络是聚类信息.神经网络成功的原因之一可能在于它们更能尊重原始输入中的局部维度,以及它们以分层方式工作的能力.

这篇文章的一个很好的结论将是一个简短的在线资源列表,但我现在紧迫的时间......"继续";-)

第二天编辑 :(未能尝试提供有关该主题的介绍性在线参考书目)

我搜索关于应用于人工视觉和图像处理的聚类主题的文献揭示了两个不同的...簇;-)

诸如用于图像处理和计算机视觉的算法的书籍 J Parkey pub Wiley,或机器视觉:理论,算法,实用性 M Seul等.Al Cambridge UP.这些书籍通常涵盖与降噪,边缘检测,颜色或强度转换以及图像处理链的许多其他元素相关的所有重要技术,其中大多数不涉及聚类甚至统计方法,并且它们仅保留章节或两种,甚至是次要的提及,应用于模式识别或其他任务的聚类.

学术论文和会议手册,专门涵盖应用于人工视觉等的聚类技术,但是以最窄和最深的方式(例如:Fukunaga和Narendra算法的变化,用于字符识别的应用,或用于选择最近邻的快速方法)候选人在任何情况下.)

总之,我觉得自己没有能力制作任何具体的书籍或文章建议.

您可以通过"人工视觉"或"图像识别"或某些或上述标题来浏览Google书籍中的标题,从而获得信息.通过预览功能以及在"关于本书"链接中找到的标签云(btw另一种群集应用),可以很好地了解各种书籍内容,并可能决定购买其中的一些.不幸的是,减少的读者群和该领域潜在的有利可图的应用程序使这些书相对昂贵.另一方面,您可以下载(有时是免费的)研究论文,讨论该领域的高级主题.这些也将出现在常规(网络)Google或CiteSeer等专用存储库中.

祝你在那个领域的探索好运!