作者：禅与计算机程序设计艺术
1.简介
随着计算机视觉、机器学习等领域的不断发展，无监督图像分割（Unsupervised Image Segmentation）算法也越来越受到广泛关注。其特征在于对目标区域提取和标记仅依靠输入图像，而无需明确地提供所属类别。无监督图像分割具有很高的实用价值，在视频监控、医疗图像分析、地图构建、环境遥感等方面都得到了广泛应用。本文通过对现有的无监督图像分割算法进行比较分析，梳理出常见的无监督图像分割方法，并根据实际应用场景进行阐述，力求为读者呈现更全面的知识体系。
无监督图像分割算法可以大致分成两类：基于密度的方法（density-based methods）和基于连接的方法（connection-based methods）。前者通过分析图像中的像素分布密度，将图像划分成若干个连通区域；后者则通过图像中像素的邻近关系，从而将图像划分成多个相互联系的区域。目前，很多最新型的无监督图像分割方法都属于基于密度的方法。
无监督图像分割算法的主流有基于k-means算法、谱聚类法、层次聚类法、GMM-DBSCAN算法等。其中，谱聚类法最为知名，被广泛用于图像分割领域。本文将对上述算法进行详细介绍，以及阐述它们各自的特点、适用场景及优缺点。
2.基本概念术语说明
2.1.边缘检测(Edge Detection)
边缘检测就是确定图像不同像素间的界线，从而对图像进行分类和分割。
2.2.顶点/孤立点(Vertex/Island Point)
顶点或孤立点指的是图像中像素群中质量较低的那些点，通常是由于图像增强或噪声造成的弱点。
2.3.密度估计(Density Estimation)
密度估计