快速回答

Mean Shift LSH是在$O(n)$著名的 Mean Shift 算法$O(n^2)$以其图像分割能力而闻名

一些解释

如果您需要一种真正的无监督方法来分割图像，请使用聚类算法。事实上，有很多算法具有不同的时间复杂度和特异性。举个最有名的，$K$-意思是，它在$O(n)$非常快，但是您必须通过探索未知图像来指定您想要的集群数量，这不是您想要的，而没有任何关于其中存在多少形状的信息。此外，即使您假设您知道存在多少个形状，我们也可以假设这些形状是随机的，这是另一点$K$- 方法失败，因为它的设计是为了找到椭圆集群而不是随机形状的集群。

相反，我们有 Mean Shift，它能够自动找到簇的数量——当你不知道你在寻找什么时这很有用——具有随机形状。

当然你更换 $K$ 参数 $K$- 其他人的意思是平均偏移参数，微调起来可能很棘手，但它不存在一个工具可以让你在不锻炼做魔术的情况下做魔术。

对图像分割聚类的建议

将您的色彩空间从 RGB 转换为 LUV，这对欧几里德距离更有利。

$K$-Means vs Mean Shift LSH 时间复杂度

• 均值偏移：$O(\alpha.n)$
• K-均值：$O(\beta.n)$
• $\alpha \gt \beta$

Mean Shift LSH 速度较慢，但​​更适合您的需求。它保持线性，并且可以通过上述实现进行扩展。

PS：我的个人资料图片是 Mean Shift LSH 对我自己的应用，如果它可以帮助弄清楚它是如何工作的。

您可能需要查看提交并接受 CVPR 2018 的这项工作：Learning to Segment Every Thing

在这项工作中，他们尝试分割一切，甚至是网络不知道的对象。已经使用了 Mask R-CNN，结合了迁移学习子网络，它们在分割几乎所有内容方面都取得了非常好的效果。

最先进的图像分割 (SOTA) 将是 Facebook 的Mask-RCNN。

虽然它通常在COCO或Pascal等具有真实对象的数据集上进行训练，但您可以在您选择的数据集上重新训练它，无论是真实的还是非真实的。

Facebook在 Apache2 许可下提供了一个实现 ( Detectron )。试一试！

实际上，您的任务是受监督的。Segnet可以是适合您的目的的良好架构，可以在此处访问其实现之一。SegNet 从监督学习中学习预测像素级类别标签。因此，我们需要一个具有相应地面实况标签的输入图像数据集。标签图像必须是单通道，每个像素都标有其类别...。

另外，请查看非常适合您的任务的全卷积网络。

根据问题中的编辑，我添加了额外的信息。有许多方法可用于此任务。基本上最简单的方法是使用背景标签，并通过使用上述架构将那些您不知道的类分类为背景。通过这样做，您将拥有可能与背景类重叠的标签，这可能是这种方法的一个缺点，但它的优点是，在您的训练标签经常在输入中使用的情况下，您可以拥有一个相对较轻的架构版本，识别未知类。