一般来说，色彩空间的变化本质上是一种非线性变换，它会拉伸和扭曲坐标。变换也是连续的，除了可能在奇点线或半平面上。它不保留距离，但保留邻域。

在 RGB > Lab 的情况下，您可以将其视为线性变换（从 RGB 到 XYZ 的基础变化），然后是每个坐标独立的非线性变换（将 XYZ 重新缩放到 Lab）。拓扑结构基本上被保留。

另一方面，图像分割算法尽最大努力划分相似颜色的簇，并将这些簇与其他簇分开。因此，如果您只是对集群进行变形，一个好的分割算法将调整边界并以某种方式撤消变换。如果你用 XYZ 或 YUV 坐标重复实验，你应该也看不出有什么大的不同。

如果修改空间的拓扑结构，例如通过移动到 HSV 空间（笛卡尔坐标到柱坐标），或者通过执行一些投影以降低维度，例如 XYZ > xyz，则可以观察到更强的质量差异。但要注意你所做的事情的物理解释。

问题是图像中的 B 通道没有提供信息，而 A 通道本身无法通过聚类将您带到您想要去的地方。在这种情况下，您的主题是圆形的，所以我会使用形态分析而不是颜色分割。使用正确的软件很容易检测椭圆和圆；例如，数学：

img = Import["http://i.stack.imgur.com/glbuL.png"]
cells = SelectComponents[ChanVeseBinarize@img, "FilledCircularity", # > 0.7 &]
circles = ComponentMeasurements[ImageMultiply[img, cells], {"Centroid", "SemiAxes"}][[All, 2]] // 
           List[{#1[[1, 1]], #[[1, 2]] // Reverse}] &
Show[img, Graphics[{Red, Thick, Circle @@ # & /@ circles}]]