Implémentation
Les centres des classes évoluent aux cours des itérations, néanmoins les centres initiaux peuvent avoir une influence importante sur la classification finale ainsi que sur le temps de calcul.
Les centres initiaux des classes peuvent être déterminés de manière aléatoire, dans ce cas la stabilisation des centres demande de nombreuses itérations et le risque qu'une classe importante, isolée mais comptant peu d'éléments ne soit pas discriminée existe. Mais ils peuvent aussi être déterminés manuellement par l'utilisateur (par moyennage de petites zones représentatives de la classe), dans ce cas les centres des classes sont à peu près positionnés et leur stabilisation est rapide.
La première démarche est intéressante car elle est entièrement automatique par contre elle induit un nombre important d'itérations. Mais c'est la deuxième méthode qui a été retenue pour l'implémentation des Kmeans afin de limiter le nombre d'opération
Problème de l'initialisation des écarts types lors d'utilisation d'une métrique de Mahalanobis
L'utilisation de la norme de Mahalanobis requière l'utilisation de l'écart type ( de façon générale de la matrice de covariance *), il faut donc initialiser les écarts types. Deux méthodes sont possibles.
méthode 1 Une classification grossière est effectuée à l'aide d'une méthode totalement automatique et l'écart type est calculé pour chacune des classes obtenues. L'initialisation des écarts types se fait avec ces valeurs.
méthode 2 Pour chaque classe, l'écart type est calculé à partir des éléments des petites zones représentatives de la classe déterminées manuellement. L'initialisation des écarts types se fait avec ces valeurs.
C'est la deuxième méthode qui a été implémenté. Afin de réduire le nombre d'opération, l'écart type n'est pas recalculé à chaque nouvelle itération.
* pour le traitement des images couleurs