问有人能给我提供一些集群的例子吗？

EN

scipy.cluster.vq执行的聚类类型肯定是后者(相似图像组)的一种。

在scipy.cluster.vq中实现的唯一聚类算法是K-Means算法，该算法通常将输入数据视为n维欧几里德空间中的点，并尝试划分该空间，以便可以通过说“示例x最像质心y”来总结新的传入数据。质心可以被认为是输入数据的典型例子。矢量量化导致了简洁或压缩的表示，因为我们可以记住一个整数，它指向新图像最相似的原型示例，而不是记住我们看到的每个新图像的所有100个像素。

如果您有许多小的灰度图像：

>>> import numpy as np
>>> images = np.random.random_sample((100,10,10))

因此，我们有100个10x10像素的图像。让我们假设它们都具有相似的亮度和对比度。scipy kmeans实现需要平面向量：

>>> images = images.reshape((100,100))
>>> images.shape
(100,100)

现在，让我们训练K-Means算法，以便任何新的传入图像都可以被分配到10个簇中的一个：

>>> from scipy.cluster.vq import kmeans, vq
>>> codebook,distortion = kmeans(images,10)

最后，假设我们有五个新图像，我们想要分配给十个集群中的一个：

>>> newimages = np.random.random_samples((5,10,10))
>>> clusters = vq(newimages.reshape((5,100)),codebook)

clusters将包含五个示例中每一个的最佳匹配质心的整数索引。

这是一种玩具示例，除非您正在处理的图像中感兴趣的对象都居中，否则不会产生很好的结果。由于感兴趣的对象可能出现在较大图像中的任何位置，因此通常需要学习较小图像“块”的质心，然后将它们与较大图像卷积(在许多不同位置进行比较)，以提高平移不变性。

第二个是什么是集群：对与有些相似的对象进行分组(可能是图像)。聚类不是一种纯粹的成像技术。

当处理单个图像时，它可以例如应用于颜色。这是减少图像中颜色数量的一个很好的方法。如果按颜色和像素坐标进行聚类，则还可以将其用于图像分割，因为它将对具有相似颜色且彼此接近的像素进行分组。但这是集群的应用程序域，而不是纯粹的集群。