聚類的定義
在上述的計算中，當p=1時，則是計算絕對值距離，通常叫做曼哈頓距離，當p=2時，表述的是歐式距離。
傑卡德相關系數主要用於描述集合之間的相似度，在目標檢測中，iou的計算就和此公式相類似
余弦相似度
余弦相似度通過夾角的余弦來描述相似性
相對熵(K-L距離)
相對熵的相似度是不對稱的相似度，D(p||q)不一定等於D(q||p)。
聚類的基本思想
給定一個有N個對象的數據集，划分聚類的技術將構造數據的K個划分，每個划分代表一個簇，K<=n。也就是說，聚類將數據划分為k個簇，而且這k個划分滿足下列條件：
每個簇至少包含一個對象，每一個對象屬於且僅屬於一個簇。
具體的步驟為，對於給定的k，算法首先給出一個初始的划分方法。以后通過反復迭代的方法改變划分，使得每一次改進之后的划分方案都較前一次更好。
密度聚類
密度聚類方法的指導思想是，只要一個區域中的點的密度大於某個閾值，就把它加到與之相近的聚類中去。這類算法能夠克服基於距離的算法只能發現“類圓形”的聚類的缺點，可以發現任意形狀的聚類，且對噪聲數據不敏感。但計算密度單元的計算復雜度大，需要建立空間索引來降低計算量。
DBSCAN算法
DBSCAN是一個比較有代表性的基於密度聚類的聚類算法，它對簇的定義為密度相連的點的最大集合，能夠把具有足夠高密度的區域划分為簇，並可在有噪聲的數據中發現任意形狀的聚類。
DBSCAN相關定義
對象的ε-鄰域：給定對象在半徑ε內的區域。
核心對象：對於給定的數據m，如果一個對象的ε-鄰域至少包含有m個對象，則成為該對象的核心對象。
直接密度可達：給定一個對象集合D，如果p是在q的ε-鄰域內，而q是一個核心對象，則對象p從對象q出發是直接密度可達的。
密度可達：如果存在一個對象鏈p1p2···pn，p1=q，pn=p，對pi屬於D，pi+1是從pi關於ε和m直接密度可達的，則對象p是從對象q關於ε和m密度可達的。
密度相連：如果對象集合D中存在一個對象o，使得對象p和q是從o關於ε和m密度可達的，那么對象p和q是關於ε和m密度相連的。
簇：一個基於密度的簇是最大的密度相連對象的集合。
噪聲：不包含在任何簇中的對象稱為噪聲。
DBSCAN通過檢查數據集中的每個對象的ε-鄰域來尋找聚類，如果一個點p的ε-鄰域包含對於m個對象，則創建一個p作為核心對象的新簇。然后，DBSCAN反復地尋找這些核心對象直接密度可達的對象，這個過程可能涉及密度可達簇的合並。當沒有新的點可以被添加到任何簇時，該過程結束。算法的中ε和m是根據先驗知識來給出的。