Een natuurlijke weergave van de segmentatie is dat we proberen om te bepalen welke onderdelen van de gegevens van nature ingesteld bij elkaar horen. Dit is een probleem bekend als clustering. We kunnen clusteren op twee manieren: -Partitioning: hier hebben we een grote dataset, en de curve omhoog volgens begrip van de relatie tussen items in de set. We zouden het graag ontleden in stukken die goed zijn volgens ons model. We kunnen bijvoorbeeld een beeld te ontleden in gebieden die coherente kleur en textuur hebben.
-Grouping: In dit deel hebben we verschillende data-items, en we zouden graag sets van data-items die zin samen te verzamelen. De sleutel hier is om te bepalen wat vertegenwoordiging is geschikt voor het probleem bij de hand, moeten we weten door welke criteria een segmentatie methode moet beslissen welke pixels bij elkaar horen en welke niet.
Eenmaal beslissen welke cluster die geschikt is voor onze toepassing, kan segmentatie clustering zeer nuttig voor sommige toepassingen die clustering kunnen gebruiken, en een opsomming van video, of het vinden van machinedelen, vinden mensen in mage, vinden gebouwen in satellietbeelden zijn: deze gedaan door te zoeken naar verzamelingen van edge punten die in de lijn segment kunnen worden geassembleerd en vervolgens assembleren lijn in polygonen.
Het is moeilijk om te zien dat er een uitvoerige theorie van segmentatie zou kunnen zijn, niet in het minst wat interessant is en wat niet, hangt af van de toepassing, is er geen uitvoerige theorie van segmentatie op het moment van schrijven. Omdat clustering hierboven gedefinieerd, behalve clustering is een proces waarbij een dataset wordt vervangen door cluster, is het natuurlijk te denken segmentatie zoals clustering, andere betekenis: pixels kunnen elkaar horen omdat ze dezelfde kleur, dezelfde textuur, zij zijn in de buurt, en ga zo maar door.
Sommige van clustering methoden als: clustering door K-means, segmentatie door grafiek theoretische