黑白图像文档聚类

Question

我有一些黑白文档（图像扫描）并希望根据它们的布局对它们进行聚类。更具体地说，假设我有以下三张图片，与第三张图片相比，前两张更有可能属于同一个集群，因为前两张的布局相对相似。

我的问题是，对文档进行聚类的最佳方法是什么？现在我有几个初步的方法：

• 获取图像哈希并比较哈希
• 使用 PCA 和一些聚类技术 (K-means) 来比较低维表示
• 使用 OCR 提取字符串，提取文本特征并进行比较
• 使用 OCR 提取字符串并进行关键字搜索

还有其他更好的方法吗？同样，只有布局很重要。

Answer 1

不要尝试对原始数据进行聚类。

聚类是无监督的，它无法了解哪些属性重要，哪些不重要。对于聚类算法来说，一切都很重要。

相反，首先定义布局相关的功能。比如长边。