问题标签 [spectral]

我正在使用 scikit learn 的“光谱聚类”功能。我能够对 8100 x 8100 矩阵执行聚类，但此函数会为 10000 x 10000 矩阵引发错误。

有没有人将此功能用于大型矩阵？

编辑：我收到以下错误消息：

我的机器有 16 GB 内存。

我有一个表示高光谱图像的 3-D 矩阵：2 维表示不同的像素，1 维表示不同的光谱带。

我需要按以下方式分割此图像： 1. 将图像按像素划分为 2 段。2. 计算 2 段中每段的平均光谱值。3. 将 2 段中的每段中的所有像素设置为等于所述平均值。

最后，我需要将图像分成 2 段，同一段中的所有像素都等于该段的光谱平均值。

我试过使用kmeans，但到目前为止没有成功。

有谁知道该怎么做？

我正在尝试将无向树划分为两个子树，每个子树都连接在一起。我的理解是，这可以使用此处描述的 Fiedler 矢量来完成。但是，当我遵循这个过程时，结果子树没有连接。

我用来实现二等分的代码如下，这里定义了不能二等分的树。

当我运行它时，结果子树都没有连接 - 每个子树都有一个或两个大的连接组件和几个孤立的节点。绘制 Fiedler 向量的值并识别孤立节点如下所示：

这到底是怎么回事？

我在 R 中使用 pavo 包来提取颜色变量并遇到我想为自定义范围计算色度的问题，但我似乎找不到让我修改函数的默认波长范围的代码

这将返回 23 个变量，都是默认函数，但都是在默认范围内计算的，我需要对其进行更改。任何想法都值得赞赏。

我想用numpy和spectral python减去两个不同形状的高光谱图像，

但它向我显示了一个错误，由于形状不同，无法一起广播操作

arrImg 形状为 (2495, 1312, 784)，arrWHITEREF 形状为 (10, 1312, 784)

如何减去两个高光谱图像？

.

我s在 R 中有带有值的向量。我只是使用该函数fft(s)来计算快速傅里叶变换。然后我将这些值打印到 x is simple的位置1,...length(fft(s))。我在这里看到了强烈的对称性——为什么会这样？我期望像 我做错了什么？

这是第一个情节的MWE：

我想知道当我在 Python 中运行光谱聚类代码时发生的这个警告的含义。

我提取了连接的组件，然后再次对每个组件应用光谱法，但仍然收到相同的警告！

警告是：

Calinski-Harabasz 得分，gamma= 1 n_clusters= 12 得分：29.6079084919

Calinski-Harabasz 得分，gamma= 1 n_clusters= 13 得分：28.0773430337

Calinski-Harabasz 得分，gamma= 1 n_clusters= 14 得分：29.2831696856

Calinski-Harabasz 得分，gamma= 1 n_clusters= 15 得分：28.8945479231

用户警告：图未完全连接，谱嵌入可能无法按预期工作。warnings.warn("图未全连接，谱嵌入"

我正在尝试打开一个env .img 文件，并且有一个同名的.hdr 文件。在 .img 文件中有两个图像，我可以使用以下代码读取它们。

img(BSQ文件)的属性如下图

我想从 img 中提取这两个图像。但是当我尝试

它给了我一个大小为（7311,7371,1）的数组，但数组中的所有值都为零，但我知道它们应该是非零值。

我的问题是如何从 BSQ 文件中提取这两个图像？

我有一个矩阵，行是品牌，列是每个品牌的特征。

首先，我用scikit learn计算亲和矩阵，然后在亲和矩阵上应用谱聚类来进行聚类。

当我针对每个簇数计算轮廓值时，只要簇数增加，轮廓值也在增加。最后当簇的数量越来越大时，计算轮廓值，它会给出NaN结果

我想使用谱聚类在 python 中对图进行聚类。

光谱聚类是一种更通用的技术，不仅可以应用于图形，还可以应用于图像或任何类型的数据，但是，它被认为是一种特殊的图形聚类技术。可悲的是，我在 python 在线中找不到光谱聚类图的示例。

• Scikit Learn 记录了两种光谱聚类方法：SpectralClustering和spectral_clustering，看起来它们不是别名。

• 这两种方法都提到它们可以用于图表，但不提供具体说明。用户指南也没有。我已经要求开发人员提供这样的示例，但他们工作过度，没有得到它。

• 一个很好的网络来记录这一点是空手道俱乐部网络。它作为一种方法包含在 networkx 中。

我很想知道如何去做这件事。如果有人可以帮我弄清楚，我可以将文档添加到 scikit learn。

笔记：

• 这个网站上已经有人问过一个很像这个的问题。