En naturlig vis segmentering er, at vi forsøger at bestemme, hvilke komponenter i datasættet naturligt hører sammen. Dette er et problem kendt som klyngedannelse. Vi kan klynge på to måder: -Partitioning: her har vi et stort datasæt, og kurve op efter begrebet sammenhængen mellem elementer inde i sættet. Vi ønsker at dekomponere det i stykker, der er gode ifølge vores model. For eksempel kan vi nedbryde et billede i regioner, der har sammenhængende farve og tekstur. -Grouping: I denne del har vi forskellige dataelementer, og vi vil gerne samle sæt af dataelementer, der giver mening sammen.
Det centrale her er at afgøre, hvad repræsentation er egnet til problemet ved hånden, har vi brug for at vide ved hvilke kriterier en segmentering metode skal beslutte, hvilke pixels hører sammen, og hvilke der ikke gør. Når vi beslutter, hvilke klynge metode egnet til vores ansøgning, kunne segmentering ved klyngedannelse være meget nyttigt for nogle programmer, der kan bruge klyngedannelse, samt opsummerer video, eller finde maskindele, finde folk i troldmand, finde bygninger i satellitbilleder: disse gjort ved at lede efter samlinger af kant punkter, der kan samles på linje segment og derefter samle linje i polygoner.
Det er svært at se, at der kunne være en omfattende teori om segmentering, ikke mindst hvad der er interessant, og hvad der ikke afhænger af anvendelsen, er der ingen omfattende teori om segmentering i skrivende stund. Da clustering er defineret ovenfor, foruden klyngedannelse er en proces, hvorved et datasæt erstattes af klyngen, er det naturligt at tænke på segmentering som gruppering, en anden betydning: pixels kan hører sammen, fordi de har samme farve, den samme tekstur, de er i nærheden, og så videre.
Nogle af klyngedannelse metoder samt: clustering af K-midler, segmentering af grafen teoretisk klyngedannelse
.