eUnSuperClassMethod Enumeration

Sequential 방법.

영상내의 모든 화소들을 순서대로 읽어들여 기존의 군집 중심과의 분광 거리를 계산하게 된다. 이 때 분광 거리는 단순한 유클리드 거리이며, 가장 가까운 군집 중심까지의 거리가 사용자가 입력한 군집의 최대 반경보다 작으면 이 군집에 속하게 되며 따라서 군집의 중심이 변화하게 된다. 만일 그 거리가 군집의 최대 반경보다 크면 이 화소가 새로운 군집을 형성하게 된다. 사용자가 입력한 최대 군집 반경이 너무 작다면 너무 많은 군집이 형성될 수 있으므로 일정량의 화소에 대하여 군집화를 수행한 후 각 군집 중심들간의 거리를 비교하여 사용자가 입력한 군집간 최소 거리보다 작은 거리를 가지는 군집들을 하나의 군집으로 합치는 과정이 필요하게 된다. 반복 수행하지 않으므로 빠르다는 장점을 가지나, 순차적으로 군집을 형성하므로 영상을 읽어들이는 처음 부분의 분광 특성에 의존된다는 단점을 가진다. 만족할만한 결과를 얻기 위해서는 입력 변수의 설정을 위한 약간의 시행 착오가 요구된다.

K-Means 방법.

SequentialSequential Clustering 기법이 화소를 순서대로 읽어들이면서 군집을 생성하는데 반해, K-Means Clustering 기법은 정해진 갯수의 초기 군집에 대한 중심 벡터를 임의로 설정하여 군집화를 수행한다. 영상 자료의 각 화소에 대하여 가장 가까운 군집 중심까지의 분광 거리를 계산하여 그 거리가 사용자가 입력한 군집 최대 반경보다 작은 경우에 그 군집에 새로운 화소로서 추가한다. 초기 군집의 중심 벡터를 임의로 설정하므로 이에 의한 영향을 최소화하기 위하여 전체 영상에 대한 군집화를 반복적으로 수행한다. 이 기법에서도 한 군집에 너무 작은 화소가 포함되는 경우 그 군집은 가장 가까운 군집에 합쳐지게 되며, 이러한 군집 정리는 매 반복시마다 수행된다.

Isodata 방법.

ISODATA Clustering 기법은 Iterative Self Organizing Data Analysis Technique의 약어로서 K-Means Clustering 기법과 유사하나 매 반복후 군집 정리시 군집의 표준 편차값을 분석하여 편차값이 너무 큰 경우 두개의 군집으로 분리할 수 있는 기능을 가지고 있다. 이와 같이 군집을 분리할 수 있는 기능을 가짐으로써 군집 최대 반경이 필요없게 되며, 읽어들인 모든 화소는 무조건 분광 거리가 가장 가까운 군집으로 할당되게 된다. 이 기법은 가장 진보된 Clustering 기법으로서, 매우 양호한 결과를 내는 것으로 알려져 있으나, 세 방법 중 가장 느리다는 단점을 가진다.