数字图像处理---根据K均值聚类方法对图像灰度值进行分类和阈值化操作

注意：现在用的这个方法，只对灰度值有断续的情况下，处理的结果会很好。因为只考虑一维数据就很好。如果是二维的，我们则还是需要加上权值信息，即每个灰度对应的数量，这就是另一种算法。我们会在后面的文章继续提到。

一、K均值聚类方法概述：

K均值聚类算法是先随机选取K个对象作为初始的聚类中心。然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。一旦全部对象都被分配了，每个聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有（或最小数目）对象被重新分配给不同的聚类，没有（或最小数目）聚类中心再发生变化，误差平方和局部最小。

即其目的是，各个样本与所在类均值的误差平方和达到最小（这也是评价K-means算法最后聚类效果的评价标准）。

二、算法介绍：
（1） 从 n个数据对象任意选择 k 个对象作为初始聚类中心；

（2 ) 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；

（3） 重新计算每个（有变化）聚类的均值（中心对象） 三、代码(附说明)

（4）循环（2）到（3）直到每个聚类不再发生变化为止

三、代码(C语言版)

// KmeanImage.cpp : 定义控制台应用程序的入口点。
//作者：Serious_Tanx
//时间：2016.11.01
//题目：根据K均值方法对图像灰度值进行分类
//作用：可以根据聚类后的值，来计算得出后续二值化的阈值

#include "stdafx.h"
#include <iostream>
#include <fstream>
#include <vector>
#include <math.h>

#define k 3  //分成3类

using namespace std;

struct Tuple //结构体的好处不用多说
{
     float gray;
};

void KMeans(vector<Tuple>tuples);
Tuple getMeans(vector<Tuple>cluster);
float getVar(vector<Tuple>clusters[],Tu