影象分割演算法有幾種：

                基於區域劃分方法。

                基於邊界劃分方法。常用的是邊緣檢測方法，優點是準確定位邊緣、運算速度快；缺點是不能保證邊緣的連續性和封閉性。

                基於閾值劃分方法。

                基於紋理方法。

                資料聚類方法。把整幅影象看做一個數據整體，根據預先定義好的距離度量方法計算畫素點的相似關係，以此確定影象的不同區域。

譜聚類：

               與傳統的聚類演算法相比具有明顯的優勢，該演算法能在任意形狀的樣本空間上執行並且收斂於全域性最優，這個特點使得它對資料的適應性非常廣泛。為了進行聚類，需要利    用高斯核

譜聚類方法缺點：

                            a)譜聚類對引數非常敏感；

                            b)時間複雜度和空間複雜度大。

對於 k-way 譜聚類演算法，一般分為以下步驟：
(1)構建相似度矩陣 W；
(2)根據相似度矩陣 W 構建拉普拉斯矩陣 L（不同的演算法有不同的 L 矩陣）；
(3)對 L 進行特徵分解，選取特徵向量組成特徵空間；
(4)在特徵空間中利用 K 均值演算法，輸出聚類結果；

相似度矩陣的構建：

               相似矩陣可以分成兩大類：一類是稀疏矩陣，它對應一個非完全圖；另一種是非稀疏矩陣，它對應一個完全圖。在實際應用中，使用最廣泛的是第二種非稀疏矩陣，相似度度量函式為高斯核。

拉普拉斯矩陣的選取

K 均值聚類階段：可以使用其他的聚類演算法

大規模資料集的快速聚類方法：(1)取樣方法；(2)低秩近似法；(3)並行方法；(4)資料預處理方法。