Je pense que nous devons mieux préciser certains points:
- Êtes-vous la classification que sur la couleur? Donc, prenez des valeurs RVB pour les pixels et appliquez votre fonction métrique (minimisez la somme des erreurs sq, ou calculez simplement SAD - Somme des différences absolues).
- Êtes-vous en cluster sur une base d'espace (dans une image)? Dans ce cas, vous devez prendre soin de la position, comme vous l'avez spécifié pour l'espace euclidien, en considérant simplement l'image comme le domaine de vos échantillons. C'est un espace 2D de toute façon ... 3D si vous considérez les informations de couleur aussi (voir ci-dessous).
- Vous recherchez des informations 3D à partir d'une image? (Position 2D + couleur 1D) C'est le cas le plus probable. Envisager des techniques de segmentation si votre image montre des formes régulières ou bien définies, en première approche. Si cela échoue, ou si vous voulez un algorithme moins optimisé, envisagez de réduire l'espace 3D de l'information en 2D ou même 1D en effectuant une ACP sur les données. En analysant les composants principaux, vous pouvez déposer des informations inutiles dans votre collection et/ou exploiter la structure de données intrinsèque d'une manière ou d'une autre.
L'argument aurait besoin de beaucoup plus qu'un post à résoudre, mais j'espère que cela pourrait aider un peu.