图聚类（图聚类中心）

本篇文章给大家谈谈图聚类，以及图聚类中心对应的知识点，希望对各位有所帮助，不要忘了收藏本站喔。

本文目录一览：

• 1、图像聚类
• 2、使用 sklearn 库中的 KMeans 实现彩色图像聚类分割
• 3、NBIS系列单细胞转录组数据分析实战（四）：细胞聚类分析

图像聚类

（1）利用主成分分析后选取主成分利用k-means算法进行聚类

（2）哪弊扮提取图卜罩像的灰度直方图，利用直方图作为特征向量聚类。（有些类似层次聚类，通过小区间合并依次聚类）

（3）像素聚类，使用滑窗方式求取局部均值，利用相关均值矩阵进行聚类。

（4）谱聚类：首先计算n个图像数据的相似性矩阵，矩阵中每个元素表示两个元素之间的相似度。通过相似度矩阵构建谱矩阵（具体通过拉普拉斯矩阵实现），对普矩阵进行特征分解得到特征向量降维后进行聚类。本质上是将原始空李灶间中的数据转换成更容易聚类的新特征向量。

[img]

使用 sklearn 库中的 KMeans 实现彩色图像聚类分割

sklearn 库是最为常用且经典的机器学习库，里面封装了许多机器学习算法，此篇文章使用此库中的 KMeans 算法，从而实现图像的聚类分割。

本文不讲理论，只谈应用。

除了 sklearn 库之外，还需要一些图像处理的库，我引入了如下几个库：

我使用了 pylab 库来读入图片：

此时读入的 img 是一个三维 numpy 数组，其形状为 (height, width, 3) ，其中3是指通道数，即 RGB 三个通道。

但是， KMeans 传入的参数必须是二维数组，故，还需要将其打散为二维：

在此构建时，只需要使用最简单的方法即可：

参数有很多，我在构建的时候除了 n_clusters 都使用的默认值：

然后，使用 fit() 进行训练山滚：

聚类之后，有很多参数，比较重要的，以及此处需要用到的主要有俩：

聚类完成之后，需要将每个像素点重新填色，将同一类的像素点均填为此类聚类中心的颜色。

在此之前，首先需要得到图片的高度和宽度：

首先用 image.new() 重新创建一个图片，其语法如下：

然后需要用 putpixel() 方如渗法来填充像素，但是在此之前，还需要处理几个小细渣唯脊节：

RGB图中，每个通道都是 0-255 之间的整数，但是， kmeans.cluster_centers_ 中元素类型却是 float64 ，故在填充之前，还需要小小处理一番，将元素变为 int32 类型的。

直接转变类型不太合适，因为 kmeans.cluster_centers_ 毕竟是类似于一个属性值的东西，而且这个名字太长，换一个简短的也是好的。故重新复制一份再使用 astype 更改数据类型即可。

上面便提到， kmeans.labels_ 是一个一维数组，但是图片是二维的，所以将其恢复过来即可：

然后便可以 填充像素 了：

这里需要注意 putpixel() 方法，其的两个参数：

最后保存图片即可：

我使用了王者荣耀大乔的图片来做测试：

NBIS系列单细胞转录组数据分析实战（四）：细胞聚类分析

在本节教程中，我们将基于批次矫正后的整合数据集进行细胞聚类分析，我们使用PCA线性降维的结果分别执行k-最近邻图聚类，层次聚类和k-均值聚类。

在执行图聚类的过程中主要包括以下3个步骤：

执行图聚类的第一步是构建一个kNN图，我们使用PCA降维的前 N个 PC用于计算。

我们可以使用Seurat包中的 FindNeighbors 函数计算构建KNN和SNN图。

我们可以看一下kNN图，它是一个连接矩阵，其中不同细胞之间的每个连接都表示为1个s，这称之为未加权图（Seurat中的默认值）。但是，某些细胞之间的连接可能比其他细胞的更重要，在这种情况下，图的尺度会从0到最大距离。通常，距离越小，两点越接近，它们之间的连接也越牢固，这称之为加权图。加权图和未加权图均适用于图聚类，但是对于大型数据集（100k细胞），使用非加权图在聚类上的速度会更快。

在构建好SNN图后，我们可以基于其执行图聚类。选用不同的分辨率（resolution）进行细胞聚类，分辨率越大，聚类出来的细胞簇数越多。

在Seurat中，我们使用 FindClusters 函数进行细胞聚类，默认情况下（ algorithm = 1 ），该函数将使用“ Louvain”算法进行基于图的聚类。要使用leiden算法，我们需要将其设置为 algorithm = 4 。

现在，我们可以使用 clustree 包来可视化不同分辨率下细胞在聚类群之间的分配。

K-means是一种常用的聚类算法，已在许多应用领域中使用。在R中，可以通过 kmeans 函数进行调用。通常，它应用于表达数据的降维表示（由于低维距离的可解释性，因此通常用于PCA）。

我们需要预先设定聚类群的数量。由于聚类的结果取决于群集中心的初始化，因此通常建议使用多个启动配置（通过nstart参数）运行K-means。

使用clustree函数查看不同聚类群的结果

基本的R stats 包中包含一个 dist 函数，可以用于计算所有成对样本之间的距离。由于我们要计算样本之间的距离，而不是基因之间的距离，因此我们需要先对表达数据槐耐进行转置，然后再将其应用于 dist 函数中。 dist 函数中可用的距离计算方法有：“euclidean”, “maximum”, “manhattan”, “canberra”, “binary” or “minkowski”.

可以看到， dist 函数不能实现correlation的方法。但是，我们可以创建自己的距离并将其转换为距离对象。我们首先可以使用 cor 函数计算样本之间的相关性。如您所知，相关性的范围是从-1到1的，其中1表示两个样本最接近，-1表示两个样本最远，0介于两者之间铅陪春。但是，这在定义距离时会产生问题，因为距离0表示两个样本最接近，距离1表示两个样本最远，而距离-1没有意义。因此，我们需要将相关性转换为正尺度（又称 adjacency ）：

将相关性转换为0-1比例后，我们可以简单地使用 as.dist 函数将其转换为距离对象。

在计算出所有样本之间的距离之后，我们可以对其进行层次聚类。我们将使用 hclust 函数实现该功能，在该函数中，我们可以简单地使用上面创建的距离对象来运行它。可用的方法有：“ward.D”, “ward.D2”, “single”乱禅, “complete”, “average”, “mcquitty”, “median” or “centroid”。

创建好分层聚类树后，下一步就是定义哪些样本属于特定簇。我们可以使用 cutree 函数根据特定k值切割聚类树，以定义聚类群。我们还可以定义簇的数量或确定高度。

关于图聚类和图聚类中心的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。