Un point de vue naturel de la segmentation est que nous tentons de déterminer quels composants de données appartiennent naturellement fixés ensemble. Ceci est un problème connu que le clustering. Nous pouvons regrouper dans deux façons: -Partitioning: ici nous avons un grand ensemble de données, et la courbe vers le haut selon la notion de l'association entre les éléments à l'intérieur de l'ensemble. Nous tenons à le décomposer en morceaux qui sont bonnes selon notre modèle. Par exemple on peut décomposer une image en régions qui ont couleur et la texture cohérente.
-Grouping: Dans cette partie, nous avons des éléments de données distinctes, et nous aimerions recueillir des ensembles d'éléments de données qui font sens ensemble. La clé ici est de déterminer ce que la représentation est adapté pour le problème à la main, nous avons besoin de savoir selon quels critères une méthode de segmentation doit décider quels pixels appartiennent ensemble et qui ne le font pas.
Une fois que nous décidons quelle méthode grappe adapté à notre demande, la segmentation par regroupement pourrait être très utile pour certaines applications qui peuvent utiliser le clustering, ainsi que résumant vidéo, ou de trouver des pièces de machine, trouver des gens dans mage, trouver des bâtiments sur des images satellitaires: ces fait par la recherche de collections de points de bord qui peuvent être assemblés dans le segment de ligne, puis ligne d'assemblage en polygones.
Il est difficile de voir qu'il pourrait y avoir une théorie globale de la segmentation, pas moins ce qui est intéressant et ce qui ne dépend de l'application, il n'y a aucune théorie globale de la segmentation au moment de la rédaction. Depuis le regroupement est défini ci-dessus, dans le regroupement d'addition est un processus par lequel un ensemble de données est remplacé par cluster, il est naturel de penser à la segmentation que le clustering, un autre sens: pixels peuvent appartenir