我正在开发一个基于图像数据对不同种类狗进行分类的算法。算法的步骤如下：

1. 遍历所有训练图像，检测图像特征（如SURF），并提取描述符。收集所有图像的所有描述符。

2. 在收集的图像描述符中进行聚类，找到集合中的k个“词”或质心。

3. 重新遍历所有图像，提取SURF描述符，并将提取的描述符与通过聚类找到的最接近的“词”进行匹配。

4. 用聚类中找到的“词”的直方图来表示每张图像。

5. 将这些图像表示（特征向量）输入分类器进行训练…

现在，我遇到了一个小问题。在图像描述符集合中找到“词”是非常重要的一步。由于聚类的随机性，每次运行程序时都会找到不同的聚类。不幸的结果是，有时我的分类器的准确性会非常好，而有时则非常差。我认为这是因为聚类算法有时会找到“好”的词，有时会找到“坏”的词。

有谁知道如何防止聚类算法找到“坏”的词吗？目前我只是多次进行聚类并取我的分类器的平均准确性，但肯定有更好的方法。

感谢您花时间阅读这篇文章，也感谢您的帮助！

编辑：

我不是在使用KMeans进行分类；我使用的是支持向量机进行分类。我使用KMeans来寻找图像描述符的“词”，然后使用这些词来创建描述每张图像的直方图。这些直方图作为特征向量被输入到支持向量机中进行分类。

回答：

有很多方法可以使聚类变得可重复：

• 处理k-means随机性的最基本方法是简单地多次运行它，并选择最佳结果（即最小化聚类内距离/最大化聚类间距离的那个）。
• 可以使用一些固定初始化方法来代替随机化。对于k-means的起始有很多启发式方法。或者至少使用像k-means++这样的算法来最小化方差。
• 使用k-means的修改版本，该版本保证正则化函数的全局最小值，即凸k-means
• 使用不同的聚类方法，该方法是确定性的，即数据网