我是一名医学物理硕士生，目前正在写我的论文。这项工作包括从内窥镜图像中提取特征并使用 SVM 进行分类。我有 4 种类型的图像。类型 1 是非癌症图像，类型 2、3 和 4 是癌前图像。我将问题简化为两级系统。C1 类，类型 1 图像和 C2 类所有其他图像。
我用来执行此操作的方法如下：我使用密集 SIFT 从每个图像中提取特征。所以我获得了描述符，比如每张图像 128x1000。所以我在 128 维空间中有 1000 个点。每张图像的点数不同，但为简单起见，我们假设每张图像有 1000 个。我使用 50 个 C1 类图像和 50 个 C2 类图像划分我的数据集进行训练。
如果我使用 100 张训练图像，我将获得 128x100000 的数据。如果我使用例如 400 个集群对这些数据执行 k-means 聚类，这是一个非常漫长的过程。所以我想对这些数据进行采样，例如选择均匀分布的 10000 个点，以便每个图像都被平等地表示。实际上，我在分类过程中得到了很好的结果，但我怀疑这是否可以做到。
如果我使用所有数据点来计算中心，或者我可以对这些数据进行采样以进行计算，会有很大的不同吗？对于要使用的数据部分，什么值是合理的？