基于像素聚类的分割方法基于slic的方法_基于区域的分割方法二聚类算法（11.3）...

一，k-means 聚类

k-means 聚类算法是一种非常简单实用的图像分割方法。它属于无监督机器学习算法。通常的做法是按照一定的方法度量样本间的相似度，然后通过不断的迭代来更新聚类的中心，当中心不再变动时，说明图像分割完成。具体的方法如下：

1.随机选择K个点作为聚类的中心点（本示例选择的两个点）

2.计算每个点到两个中心点的距离，并将每个像素点分配给距离其最近的中心点

3.计算每个族群的均值位置作为新的聚类中心点

4.重复上述步骤，直到中心点不再变化

聚类算法的缺点：

1.在算法开始时，随机选择的中心点不同，可能导致最终的结果不同（如下图所示），同样是选择三个中心点，由于开始随机选取的点不同，造成最终结果不同

2.对于分割区域的大小差异较大的图像，分割效果较差（如下图所示）

3.对于非球状的图像，分割效果较差（如下图所示）

二，分层聚类(Hierarchical Clustering)

Hierarchical Clustering 有两种方式，一种叫做agglomerative clustering,这种方法的核心思想为每个像素为认为是一类，通过迭代将最近的两个类别merged到一起形成新的类；另一种方法叫做divisive clustering,这种方法的核心思想为先将整个图像当成一类，然后通过迭代将整个图像逐渐分割成不同的类。Agglomerative clustering 的基本步骤为：

1.将每个像素点当成一类

2.计算距离矩阵，即所有像素点两点之间的距离。假设有A, B, C, D, E 5个点（如下图）

3.通过迭代，不断的merge距离最近的两个群组，直到最终全部合并成一个群组为止

重点：算法的核心在于计算两个群组的最短距离的方式不同，最终所分成的群组的结果也会不同，常用的计算两个群组的最短距离的方式有如下三种：

single-link clustering: 两群组间的最短距离为群组间的最相邻点的距离

complete-link clustering: 两群组间的最短距离为群组间最远点的距离

group-link clustering: 两群组间的最短距离为群组间所有点的相互距离的平均值。如，两群组分别有m 和 n个元素，则相互间可以计算出 m *n个距离，将这些距离相加再除以m*n 则是他们两个群组的距离

centroid clustering: 两群组间的距离为先求出每个群组内部的平均距离，然后再计算群组间的距离

Reference:

https://blog.csdn.net/M1M1M16/article/details/79415871