区域增长与群集

Question

在图像处理中，区域增长和聚类如何相互不同？提供有关它们如何不同的更多信息。感谢您阅读

Answer 1

地区增长： 您必须选择种子点，然后分析种子周围的局部区域，以便了解相邻像素是否应具有相同的标签。 http://en.wikipedia.org/wiki/Region_growing 它可用于精确的图像分割。

群集： 有许多聚类技术（k-means，层次聚类，密度聚类等）。聚类算法不要求输入种子点，因为它们基于无监督学习 它可以用于粗略的图像分割。

Answer 2

我发现区域的增长类似于某些聚类算法。我在下面解释了我的观点：

在不断增长的地区，有2种情况：

1. 随机选择与k均值相似的种子点。种子 在这里起到手段的作用。然后，我们从一颗种子开始传播 直到我们不再增长它为止（例如，我们以一个均值开始， 我们一直持续到达成共识为止）。以及我们成长的方式 区域基于欧氏距离形式的种子灰度值 （通常）。
2. 区域生长的第二种情况可以认为没有种子（假设 我们不知道要选择多少种子，或者我们不知道数量 集群）。因此，我们从第一个像素开始。然后我们发现 考虑距离均值d的当前像素的邻居 该区域的灰度值（当然，在第一次迭代时就意味着灰度 值恰好是当前的灰度值）。然后，我们更新均值 灰度值。这样，区域增长似乎就像平均转变 算法。如果我们在每次分配后都没有更新平均灰度值， 那么它可以被认为是一种DBSCAN算法。