在图像分割中广泛使用不受监督的学习技术,以识别图像中没有标签数据有意义的区域。这种方法有助于在人工注释不切实际或费用高昂的情况下应用。理解实用提示和计算可以提高这些方法的有效性。

未监督图像分割的基本情况

不受监督的图像分割涉及基于颜色、纹理或强度等特性的像素分组。常见的算法包括K- 手段集群、 平均移位和基于图形的方法。 这些技术分析图像数据,将其分割成不同的区域,而无需先前的标签。

执行的实用提示

为提高分化结果,考虑以下提示:

  • 预处理图像: 使像素值正常化以减少变异性.
  • 选择相关特性: 使用LAB或HSV等色彩空间来进行更好的分化.
  • 定型最佳参数: 使用像肘法的方法,供K-意指选择集群数.
  • 计算结果: 使用硅胶分数等度量衡来评估分化质量.

计算和计量

计算对调算法和评估结果至关重要。例如,在K- 表示集群中,方块内组和(WCSS)有助于确定组数的最佳值。硅胶计分法衡量与其他组相比,其组数中类似像素的大小。

计算WCSS:

每一点与其集群中心行星之间的平方距离之和.

硅胶分数从−1到1,较高的数值表明分化较好.