聚类法_思路-computational methods for inverse problems

7.5 聚类法 思路 将像素投射到特征空间成为样本点，根据样本点在特征空间的分布特性进行聚类。将类别标号投射回图像空间作为 像素的标号，进而实现分割。 哪些视觉元素容易被聚为同一类（1F2S2P4C） Proximity : 空间相邻性 Similarity : 特征相似性 Common fate : 运动同向性 Common region : 区域归属 Closure : 趋向于闭合 Parallelism : 平行性 Symmetry : 对称性 Continuity : 连续性 Familiar pattern : 组合后的熟悉程度 代表性的聚类分割算法 合成聚类与分裂聚类 每个样本点作为一个独立的簇；将所有样本作为一个簇 K-means 算法 模糊 C 均值聚类 Meanshift 算法 SLIC 超像素 K-means 的基本思想 将图像中所有的元素视为来源于 k 个类别，根据样本到类别中心的特征距离判断像素的归属，通过迭代更新的方式 在逼近类别模型参数的同时实现像素的分类。 K-means 的步骤 1. 为像素选择特征向量（比如 YUV 色彩特征），将所有像素映射为特征空间中的样本点。 2. 选择类别数量 k，在特征空间随机初始化 k个类的中心。 3. 根据样本点到类中心的距离，为每一个样本点选择距离最近类作为类别标号 4. 根据新的分类结果，以同一类样本点的特征均值更新类中心。 5. 重复步骤 3-4， 直到类中心的位置不再发生变化。