寻找建议的聚类技术
Looking for a suggested Clustering technique
我有一系列（比方说 1000 张）生物样本的图像……活细胞。在这个系列中，每个像素的数据将描述一个时间变量 "wave"，如果你愿意的话，给出光强度与时间的度量。对该波执行 FFT 后，我将获得每个像素的频率内容和相位。
我的目标是能够找到测量单个细胞的所有像素，并且想知道某种聚类技术是否能满足我的需求。在研究了 KMeans、DBSCAN 和其他一些工具之后（我对聚类分析几乎一无所知），我不确定如何进行。
这是我的标准：
一个簇应该由连接的像素组成，最大尺寸为
大约 9-12 像素（这是由单元格的实际大小定义的
视野）。在集群中放置更多像素可能意味着
该簇包含多个单元格，我更喜欢每个单元格
聚类以表示单个细胞。
细胞正在发出信号（发光），一些 frequency/phase。这些不一定同步，所以我认为这可能有助于分离 cells/clusters.
每个图像中的细胞数量未知，因此聚类数量未知。
图像被分割成更小的子图像进行分析（这里的原因不相关）。这些子图像将针对聚类进行单独分析。子图像大约为 100 x 100 像素。
如有任何建议，我们将不胜感激。我只是在寻求帮助以指明正确的方向。
可能最灵活的是经典的旧层次凝聚聚类 (HAC)。出于某种原因，人们总是忽视这种强大的方法，而更喜欢更有限的 kmeans。
HAC 非常适合参数化。它需要距离或相似性（这里的要求很少——可能应该是对称的，但不需要三角形不等式）。通过连接，您可以很好地控制簇的形状或直径。例如，使用 complete linkage 可以控制簇的最大直径。这可能在这里很有用，也是我的建议。
HAC 的主要缺点是 (1) 可扩展性：在 50.000 个实例时它会很慢并且使用太多内存，当然 (2) 你需要知道你想做什么：你需要选择距离、链接和切割树状图。使用 k-means，您只需选择 k 即可获得（坏）结果。
DBSCAN 是一个很棒的算法，但在您的情况下，它可能会形成具有多个单元格的集群。所以我宁愿尝试 OPTICS，它可能能够发现 DBSCAN 只能看到大斑点的子结构。
我有一系列（比方说 1000 张）生物样本的图像……活细胞。在这个系列中，每个像素的数据将描述一个时间变量 "wave"，如果你愿意的话，给出光强度与时间的度量。对该波执行 FFT 后，我将获得每个像素的频率内容和相位。
我的目标是能够找到测量单个细胞的所有像素，并且想知道某种聚类技术是否能满足我的需求。在研究了 KMeans、DBSCAN 和其他一些工具之后（我对聚类分析几乎一无所知），我不确定如何进行。
这是我的标准：
一个簇应该由连接的像素组成，最大尺寸为 大约 9-12 像素（这是由单元格的实际大小定义的 视野）。在集群中放置更多像素可能意味着 该簇包含多个单元格，我更喜欢每个单元格 聚类以表示单个细胞。
细胞正在发出信号（发光），一些 frequency/phase。这些不一定同步，所以我认为这可能有助于分离 cells/clusters.
每个图像中的细胞数量未知，因此聚类数量未知。
图像被分割成更小的子图像进行分析（这里的原因不相关）。这些子图像将针对聚类进行单独分析。子图像大约为 100 x 100 像素。
如有任何建议，我们将不胜感激。我只是在寻求帮助以指明正确的方向。
可能最灵活的是经典的旧层次凝聚聚类 (HAC)。出于某种原因，人们总是忽视这种强大的方法，而更喜欢更有限的 kmeans。
HAC 非常适合参数化。它需要距离或相似性（这里的要求很少——可能应该是对称的，但不需要三角形不等式）。通过连接，您可以很好地控制簇的形状或直径。例如，使用 complete linkage 可以控制簇的最大直径。这可能在这里很有用，也是我的建议。
HAC 的主要缺点是 (1) 可扩展性：在 50.000 个实例时它会很慢并且使用太多内存，当然 (2) 你需要知道你想做什么：你需要选择距离、链接和切割树状图。使用 k-means，您只需选择 k 即可获得（坏）结果。
DBSCAN 是一个很棒的算法，但在您的情况下，它可能会形成具有多个单元格的集群。所以我宁愿尝试 OPTICS，它可能能够发现 DBSCAN 只能看到大斑点的子结构。