Dette er et problem som kalles clustering. Vi kan klynge på to måter: -Partitioning: her har vi et stort datasett, og kurven den opp i henhold til tanken om sammenhengen mellom elementer inne i settet. Vi ønsker å dekomponere den i stykker som er bra i henhold til vår modell. For eksempel kan vi dekomponere et bilde inn i regioner som har sammenhengende farge og tekstur. -Grouping: I denne delen har vi forskjellige dataelementer, og vi ønsker å samle sett med dataelementer som fornuftig sammen.
Nøkkelen her er å finne ut hva representasjon er egnet for problemet på hånden, må vi vite ved hvilke kriterier en segmentering metoden bør bestemme hvilke piksler hører sammen og som ikke gjør det. Når vi bestemmer hvilke klynge metode egnet for vår søknad, kan segmentering av clustering være svært nyttig for noen programmer som kan bruke clustering, samt oppsummerer video, eller finne maskindeler, å finne folk i mage, finne bygninger i satellittbilder: disse gjøres ved å se etter samlinger av kantpunkter som kan settes sammen i tråd segment og deretter montering linje i polygoner.
Det er vanskelig å se at det kan være en omfattende teori om segmentering, ikke minst hva som er interessant og hva som ikke avhenger av programmet, er det ingen omfattende teori om segmentering på i skrivende stund. Siden clustering er definert ovenfor, i tillegg clustering er en prosess der et datasett er erstattet av klyngen, er det naturlig å tenke på segmentering som gruppering, en annen betydning: pikslene kan hører sammen fordi de har samme farge, samme tekstur, de er i nærheten, og så videre.
Noen av clustering metoder samt: gruppering av K-midler, segmentering av grafen teoretisk clustering
.