基于分块技术的图像分割方法

谱聚类时间复杂度和空间复杂度分别是 O(n3)和 O(n2)，为了减少谱聚类的计算量，主要的方法有：减少需要计算的顶点数和边数方法，降维。

D. Yan, L. Huang and M. I. Jordan. Fast approximate spectral clustering. 15th ACM Conf. Knowl. Discov. Data Mining (SIGKDD), 2009:907–916.

         该算法主要包括数据的预聚类和谱聚类两个阶段，在数据预聚类阶段，首先利用 K-MEANS 算法对数据集进行预处理聚类，形成过分割的球形小簇。第二阶段利用每个球形小簇的中心点作为代表点形成代表点样本空间输入谱聚类中，最后代表点的类别标签与被代表点的相同。

Nyström 算法:

                     通过使用少量样本间的相似度估计整个数据集所有数据相似度的技术。

         方法存在以下不足：
                 1)所需内存资源较多，例如当数据集规模是 100000 的时候，它的内存需求是 6GB。
                 2)样本选取具有随机性，聚类结果不稳定。

基于分块技术的图像分割算法：

         首先将一副图像（称为原图像）分割成独立较小的图像，并对每个小图像进行初始划分；然后对各个小图像的初始划分进行融合，之后在融合的每一个划分中随机选取一
个点，并将选取的这些点构成原图像的特征数据；最后，利用谱聚类方法对这些特征数据进行聚类，并根据特征数据的聚类结果，确定原图像中每个像素点所属的类别。提出
的算法主要由图像分块、初始