相似性度量—聚类

图像分割与特征提取

相似性度量—聚类

 

        前面介绍的分类问题是利用已知类别的样品来构造分类器。其训练集样品是已知类别的，所以又称为有监督学习。在已知类别样品的指导下对单个待测样品进行分类。聚类问题则不同，它事先不了解一批样品中的每一个样品的类别或者其他的先验知识，而唯一的分类根据是样品的特性。利用样品的特性来构造分类器，这种分类称为无监督分类没，通常叫做聚类或集群。

聚类分析是对探测数据进行分类分析的一个工具，许多学科要根据所测得的或感知到的相似性对数据进行分类，把探测数据归入到各个聚合类中，且在同一个聚合类中的模式比不同聚合类中的模式更相似，从而对模式间的相互关系做出估计。聚类分析的结果可以被用来对数据提出初始假设，分类新数据，测试数据的同类型及数据压缩。

聚类算法的重点是寻找特征相似的聚合类。人类是二维的最佳分类器，然而大多数实际问题的解决涉及高维的聚类。对高维空间内的数据的直观解释，其困难是十分明显的。另外，数据也不会服从规则的理想结构，这就是有大量聚类算法出现在文献中的原因。由于在图像中进行聚类分析&#x