K-means算法

k-means建模与理论

K-means 算法是一种聚类算法。所谓聚类(clustering)，是指将具有相似特征（如颜色、大小、纹理等特征相似）的目标聚集到一起，成为一类。也就是，划分的同一类的目标相似度较高，而非同类的目标相似度较低。
聚类与分类有着本质的区别。分类是指将目标划分到某一类，须告知具体类名。通常情况下，分类需要系统根据已知的某些目标的类别进行训练学习，通过学习得到一些特征方程等，用这些方程对未知类别的目标进行分类，这种提供训练样本的方法也被称为监督学习(supervised learning)。而聚类是一种非监督学习(unsupervised learning ),即不需要经过训练学习,它是通过某种相似度来衡量目标，只需将相似目标聚集成一类，而无需知道其具体类别。

 

K-means图像处理

K-means方法在处理矩阵时，矩阵中的每个值代表一个坐标，而图像矩阵中的每个值是一个颜色值，那么，在处理图像时，究竟是用什么值去进行的距离计算呢?
经探究，K-means 算法应用于图像处理时，会将图像上每个像素的LAB值映射到三维空间中的一点。由于L值代表图像亮度状态，而这一状态在图像处理时不希望影响到对于图像内容的识别，故映射时不考虑L值。这样，图像上每一个像素实际上是对应于二维空间中的一点，也就是将颜色值看作是坐标值。
可以看出，在图像处理中，K-means算法中是用颜色值去计算距离，也就是，这个距离实际上是颜色的距离，而没有考虑空间距离。因此，K-means方法聚类的图像会出现，无论像素点的空间距离如何，只要颜色相近聚为一类。