k表示用numpy计算每次迭代的误差

Question

我正在尝试使用一个学校项目的numpy/scipy的k-means算法执行图像量化（减少图像的颜色数）。algirithm很好用，但我还想计算算法每次迭代的误差之和，即样本到其最近的聚类中心的距离之和（这是项目任务之一）。 我找不到任何kmeans的numpy方法或其他快速、优雅的方式来实现这一点。 有这样的方法吗？如果没有，最好的方法是什么？我的目标是最小化现有kmeans算法的任何重新实现。在

下面我添加了我的代码

import scipy.cluster.vq as vq

def quantize_rgb(im_orig, n_quant, n_iter):
    """
    A function that performs optimal quantization of a given RGB image.
    :param im_orig: the input RGB image to be quantized (float32 image with values in [0, 1])
    :param n_quant: the number of intensities the output image should have
    :param n_iter: the maximum number of iterations of the optimization procedure (may converge earlier.)
    """
    reshaped_im = im_orig.reshape(im_orig.shape[0] * im_orig.shape[1], 3)
    centroids, label = vq.kmeans2(reshaped_im, n_quant, n_iter)
    reshaped_im = centroids[label]
    im_quant = reshaped_im.reshape(im_orig.shape[0], im_orig.shape[1], 3)

    return im_quant

Answer 1

简单使用

vq.kmeans2(k=previous_centers, iter=1, minit="matrix")

一次只进行一次迭代。在