分割
字数: 0
Segmentation

聚类算法

Clustering

K 均值

K-Means

过程

  1. 初始化：随机选取 个点作为初始聚类中心。
  1. 分配数据：将每个数据点分配到距离最近的聚类中心。
  1. 更新中心：计算每个聚类的质心（均值），并更新聚类中心。
  1. 重复步骤 2 和 3，直到聚类中心不再改变或达到最大迭代次数。

优缺点

Pros
  • Very simple method
  • Converges to a local minimum of the error function
Cons
  • Memory-intensive
  • Need to pick
  • Sensitive to initialization
  • Sensitive to outliers
  • Only finds “spherical” clusters
notion image

均值漂移

Mean Shift

过程

  1. 初始化：选取一个数据点作为初始点。
  1. 计算密度梯度：在当前点的邻域内，获取密度加权均值
  1. 更新位置：将点移动到密度梯度方向，
  1. 重复步骤 2 和 3，直到收敛（点的移动距离小于某个阈值），并将收敛到相同密度峰值的点分为一类。
notion image

优缺点

Pros
  • Does not assume spherical clusters
  • Just a single parameter (window size)
  • Finds variable number of modes
  • Robust to outliers
Cons
  • Output depends on window size
  • Computationally expensive
  • Does not scale well with dimension of feature space

图论算法

Graph Partitioning

Min-Cut

Minimum Cut
寻找将图分成两部分的割集，使得跨越子集的边权总和（割代价，Cut Cost）最小。
notion image

N-Cut

Nomalized Cut
引入归一化因子解决 Min-Cut 的不平衡问题，目标是既最小化割代价，又保持子图内部的连通性紧密。

纹理算法

Texture Features
2023 - 2026