非監督分類——非監督分類只能把樣本區分為若干類別，而不能給出樣本的描述，（以什么標准來聚類呀）如果有具體的分類標准，這和監督學習有啥區別，卷積神經網絡訓練就是訓練濾波器。舉個例子，狗和貓的分類，如果一開始的聚類標准是都有四條腿，那它們屬於一類呀。無監督學習一開始的分類標准又是怎么定義的呢，怎么學習的呢。博客園上有人對無監督學習舉了個形象的例子，說古時候祖先狩獵時，用粗糙的石頭很難把毛皮割開，於是第二天就用薄一點的石頭去割。我認為這還是屬於監督學習思想呀。這里目標函數就是使力氣最小化。想到我吃狗肉的時候，那賣狗肉的都是用手給我撕的肉，因為這樣好吃。那圖片分類中一開始的聚類依據怎么定義呢？？？？？我去搜一下你說的最鄰近發、K-means均值算法到底是啥吧？
：其類別的屬性是通過分類結束后目視判讀或實地調查確定的。
非監督分類也稱聚類分析
相似性度量
非監督法與監督法都是以圖像的灰度為基礎
分類方法：
（一）波普圖形識別分類
（二）聚類分析：
1.動態聚類。聚類的方法主要有基於最鄰近規則的試探法、K-means均值算法、迭代自組織的數據分析法（ISODATA）等。
2.模糊聚類法。模糊分類根據是否需要先驗知識也可以分為監督分類和非監督分類.。
3.系統聚類。這種方法是將影像中每個像元各自看作一類，計算各類間均值的相關系數矩陣，從中選擇最相關的兩類進行合並形成新類，並重新計算各新類間的相關系數矩陣，再將最相關的兩類合並，這樣繼續下去，按照逐步結合的方法進行類與類之間的合並，直到各個新類間的相關系數小於某個給定的閾值為止。
4.分裂法。又稱等混合距離分類法，它與系統聚類的方法相反，在開始時將所有像元看成一類，求出各變量的均值和均方差，按照一定公式計算分裂后兩類的中心，再算出各像元到這兩類中心的聚類，將像元歸並到距離最近的那一類去，形成兩個新類. 然后再對各個新類進行分類，只要有一個波段的均方差大於規定的閾值，新類就要分裂。
《無監督深度學習彩色圖像識別方法-康曉東，王 昊，郭 軍，於文勇》