在R中循环处理RGB帧矩阵的汇总统计与K-means聚类及问题解决

问题梳理 #

• 已将视频分割为125帧，每帧包含R/G/B三个二维颜色矩阵，需要批量完成：
  • 每个颜色矩阵的汇总统计
  • K-means聚类分析
• 手动处理单帧红色通道时遇到两个问题：
  1. 聚类结果里一个簇占886个数据点，其余仅个位数，看不懂结果含义
  2. 用fviz_cluster()绘图时触发报错：

     Error in prcomp.default(data, scale = FALSE, center = FALSE) : 
       cannot rescale a constant/zero column to unit variance
     

问题根源与解决办法 #

1. 颜色矩阵格式错配是核心问题 #

你现在用的Frame1[["redChannel"]]是二维图像矩阵（行对应图像高度，列对应宽度），但K-means和factoextra工具默认要求的是「行=样本，列=特征」的数据结构。直接喂图像矩阵的话，相当于把每一行像素当成一个样本，这完全不符合我们要对单个像素颜色聚类的逻辑。

修正步骤：

把二维颜色矩阵转成一维像素向量，再包装成单列数据框（每个行对应一个像素的颜色值）：

# 处理单帧红色通道：二维矩阵转单列数据框
df_red <- as.data.frame(as.vector(Frame1[["redChannel"]]))
colnames(df_red) <- "red_value"

2. 聚类结果异常的原因与修正 #

之前的超大簇是因为对「行像素组」聚类，大部分行的像素分布相似，所以挤在一个簇里。换成一维像素向量后，聚类是对所有像素的颜色值分组，结果会对应不同亮度区间的像素数量（比如暗红色像素多，对应簇的大小就大）。

重新跑K-means：

# 先确定最优簇数（看WSS曲线的拐点）
fviz_nbclust(df_red, kmeans, method = "wss")
# 用最优簇数跑聚类（比如3簇）
km_red <- kmeans(df_red, centers = 3, nstart = 25)
# 查看结果
print(km_red)

3. fviz_cluster()绘图报错解决 #

报错是因为原二维矩阵里有全相同值的列（比如图像某一列像素颜色完全一致），导致PCA降维失败。换成单列数据框后，要调整参数适配单特征数据：

fviz_cluster(km_red, data = df_red, stand = FALSE, geom = "point")

• stand = FALSE：单特征不需要标准化，关闭避免报错
• geom = "point"：只画散点，避免默认文本重叠

批量处理125帧的循环写法 #

假设所有帧存在列表frame_list里（比如frame_list[[1]]就是Frame1，包含redChannel/greenChannel/blueChannel），用嵌套循环批量处理：

# 加载依赖包
library(factoextra)
library(cluster)

# 初始化结果存储列表
stats_results <- list()
cluster_results <- list()

# 循环处理每帧
for (i in 1:125) {
  current_frame <- frame_list[[i]]
  frame_stats <- list()
  frame_clusters <- list()
  
  # 循环处理每个颜色通道
  for (channel in c("redChannel", "greenChannel", "blueChannel")) {
    # 转换数据格式
    channel_data <- as.data.frame(as.vector(current_frame[[channel]]))
    colnames(channel_data) <- channel
    
    # 计算汇总统计
    channel_stats <- data.frame(
      最小值 = min(channel_data[[1]]),
      最大值 = max(channel_data[[1]]),
      平均值 = mean(channel_data[[1]]),
      中位数 = median(channel_data[[1]]),
      标准差 = sd(channel_data[[1]]),
      像素总数 = nrow(channel_data)
    )
    frame_stats[[channel]] <- channel_stats
    
    # K-means聚类（这里用3簇，可根据WSS结果调整）
    km <- kmeans(channel_data, centers = 3, nstart = 25)
    frame_clusters[[channel]] <- km
  }
  
  # 存储当前帧的结果
  stats_results[[paste0("Frame", i)]] <- frame_stats
  cluster_results[[paste0("Frame", i)]] <- frame_clusters
}

# 查看第1帧红色通道的统计结果
print(stats_results[["Frame1"]][["redChannel"]])
# 查看第1帧红色通道的聚类结果
print(cluster_results[["Frame1"]][["redChannel"]])

额外提示 #

• 如果想自动确定每通道的最优簇数，可以在循环里加入拐点判断：

  # 找WSS曲线的拐点对应的簇数
  nb_clust <- fviz_nbclust(channel_data, kmeans, method = "wss")$data %>% 
    filter(diff(wss) == min(diff(wss))) %>% 
    pull(clusters)
  km <- kmeans(channel_data, centers = nb_clust, nstart = 25)
  

• 汇总统计可以根据需求加更多指标，比如四分位数、偏度等。

内容的提问来源于stack exchange，提问作者Yogesh Selvakumar