Um ponto de vista natural da segmentação é que estamos tentando determinar quais os componentes de um conjunto de dados pertencem naturalmente juntos. Este é um problema conhecido como agrupamento. Podemos agrupar em duas formas: -Partitioning: aqui temos um grande conjunto de dados, e curva-lo de acordo com a noção de associação entre itens dentro do conjunto. Gostaríamos de decompô-la em pedaços que são bons de acordo com o nosso modelo. Por exemplo, podemos decompor uma imagem em regiões que têm a cor ea textura coerente.
-Grouping: Nesta parte temos itens de dados distintos, e nós gostaríamos de recolher conjuntos de itens de dados que fazem sentido em conjunto. A chave aqui é determinar o que a representação é adequado para o problema na mão, nós precisamos saber por que critérios um método de segmentação deve decidir quais pixels pertencem juntos e quais não.
Uma vez que decidir qual o método de cluster adequado para a nossa aplicação, a segmentação por agrupamento poderia ser muito útil para algumas aplicações que podem utilizar o agrupamento, bem como um resumo de vídeo, ou encontrar as peças da máquina, encontrar pessoas em mago, encontrando edifícios em imagens de satélite: estes feitos pela procura de coleções de pontos de borda que podem ser montados no segmento de linha e, em seguida, linha de montagem em polígonos.
É difícil ver de que poderia haver uma teoria abrangente de segmentação, não menos importante, o que é interessante eo que não é, depende da aplicação, não existe uma teoria abrangente de segmentação no momento da escrita. Desde o agrupamento é definido acima, além de cluster é um processo pelo qual um conjunto de dados é substituído pelo cluster, é natural pensar em segmentação como clustering, um outro significado: pixels podem ficar juntos, porque eles têm a mesma cor, a mesma textura, eles são próximos, e assim por diante.
Alguns dos métodos de agrupamento, bem como: agrupamento por K-means, segmentação por agrupamen