"region-level k-means"（RKM）方法通过将语义区域生长从分水岭过度分割开始，并与分割交替进行，逐渐减小解决方案空间大小，从而在低计算成本下提供准确的初始条件。这种方法的优越性已在各种合成和自然多元图像的分割测试中得到证实，其性能一致地优于其他两种常用的初始化方法 。关键词包括："region-level k-means"，"低计算成本"，"准确的初始条件"，"语义区域生长"，"分水岭过度分割"。
"region-level k-means"（RKM）方法通过将语义区域生长从分水岭过度分割开始，并与分割交替进行，逐渐减小解决方案空间大小，从而在低计算成本下提供准确的初始条件。这种方法的优越性已在各种合成和自然多元图像的分割测试中得到证实，其性能一致地优于其他两种常用的初始化方法 。关键词包括："region-level k-means"，"低计算成本"，"准确的初始条件"，"语义区域生长"，"分水岭过度分割"。