黑与...白色图像文档聚类

Question

我有一些黑＆amp;白色文档（图像扫描），并希望根据布局对它们进行聚类。为了使事情更具体，说我有以下三个图像，前两个更可能落入同一个集群而不是第三个图像，因为前两个具有相对相似的布局。

我的问题是，群集文档的最佳方法是什么？现在我有几个初步的方法：

• 获取图像哈希并比较哈希
• 使用PCA和一些聚类技术（K-means）来比较低维表示
• 使用OCR提取字符串，提取文本功能并进行比较
• 使用OCR提取字符串并执行一些关键字搜索

还有其他更好的方法吗？同样，只有布局才重要。

Answer 1

不要尝试群集原始数据。

群集是无人监管的，它无法了解哪些属性很重要，哪些属性不重要。对于聚类算法，一切都很重要。

相反，首先定义布局相关功能。如长边。