Алгоритм классификации методом к-средних

Является наиболее распространенным методом кластеризации. Если посмотрим для двумерного пространства:

Алгоритм К-среднего это итерационный алгоритм. На первом шаге для 2 мерного набора данных произвольным образом задается начальное значение МХ вектора для каждого из К кластеров. Каждый пиксель обучающего набора данных назначается в класс, чье МХ вектора наиболее близко к вектору нашего пикселя. Таким образом, формируется 1-ый набор границ решения. Последующий новый набор векторов МХ вычисляется из исходной классификации. А принадлежность каждого пикселя переназначается. На каждой итерации К-средние будут стремиться в направлении скоплений данных внутри назначенной им в настоящий момент области пространства признаков. Эти итерации продолжаются до тех пор, пока значения соседних пикселей на двух последовательных итерациях не перестанут существенно отличаться. Этот критерий описывается так:

(Термин может быть определен в терминах чистой средней миграции от одной итерации к последующей. А именно это величина изменения векторов МХ от i-1 итерации к i-й итерации, просуммированная по всем K-кластерам)

ISODATA из ERDAS – это то и есть. Обычно используется гибридная классификация, когда сперва определяются самые чёткие классы, загоняются в пространство признаков, а остальное классифицирует эксперт.