k-means算法及opencv实现

K-means算法是最为经典的基于划分的聚类方法，是十大经典数据挖掘算法之一。K-means算法的基本思想是：以空间中k个点为中心进行聚类，对最靠近他们的对象归类。通过迭代的方法，逐次更新各聚类中心的值，直至得到最好的聚类结果。

 

假设要把样本集分为c个类别，算法描述如下：

(1)适当选择c个类的初始中心;

(2) 在第k次迭代中，对任意一样本，求其到c个中心的距离，将其归类到距离最短的中心所在的类；

(3) 利用均值等方法更新该类的中心值;

(4) 重复步骤(2)(3)，直到聚类中心保持不变。

该算法的最大优势在于简洁和快速，算法的关键在于初始中心的选择和距离公式。[百度百科]

 

K-means在opencv中的实现：

 

void kmeans_mat(const Mat& src_img,Mat& dst_img)
{
	int width_src=src_img.cols;
	int height_src=src_img.rows;

	Mat samples=Mat::zeros(width_src*height_src,1,CV_32FC3);//创建样本矩阵，CV_32FC3代表32位浮点3通道（彩色图像）
	Mat clusters;//类别标记矩阵
	int k=0;
	for (int i=0;i<height_src;i++)
	{
		for (int j=0;j<width_src;j++,k++)
		{
			//将像素点三通道的值按顺序排入样本矩阵
			samples.at<Vec3f>(k,0)[0]=(float)src_img.at<Vec3b>(i,j)[0];
			samples.at<Vec3f>(k,0)[1]=(float)src_img.at<Vec3b>(i,j)[1];
			samples.at<Vec3f>(k,0)[2]=(float)src_img.at<Vec3b>(i,j)[2];
		}
	}
	int nCuster=2;//聚类类别数，自己修改。
	//聚类，KMEANS PP CENTERS Use kmeans++ center initialization by Arthur and Vassilvitskii
	kmeans(samples,nCuster,clusters,TermCriteria(CV_TERMCRIT_EPS+CV_TERMCRIT_ITER,10,1.0),2,KMEANS_PP_CENTERS);

	//显示聚类结果
	if (dst_img.empty())
	{
		dst_img=Mat::zeros(height_src,width_src,CV_8UC1);
	}

	k=0;
	int val=0;
	float step=255/(nCuster-1);
	for (int i=0;i<height_src;i++)
	{
		for (int j=0;j<width_src;j++,k++)
		{
			val=255-clusters.at<int>(k,0)*step;//int
			dst_img.at<uchar>(i,j)=val;
		}
	}
}

 k-means聚类算法，初始中心的选择是关键，有时间还需要研究下KMEANS_PP_CENTERS Use kmeans++ center initialization by Arthur and Vassilvitskii方法。