OpenCV学习入门（三）：kmeans原理及代码

Kmeans是一种非监督的聚类方法，是最常用的聚类技术之一。kmeans尝试找到数据的自然类别，通过用户设定的类别个数K，它可以快速的找到“好的”类别中心，“好的”意味着聚类中心位于数据的自然中心。

（一）算法步骤

Kmeans算法一般步骤如下：

1、输入样本数据集合和用户指定的类别数K。

2、分配类别初始化中心点的位置（随机或指定）。

3、将每个样本点放入离它最近的聚类中心所在的集合。

4、移动聚类中心点到它所在集合的中心。

5、转到第3步，直到满足给定的收敛条件。

下图展示了kmeans到底是怎么工作的：

图1.（a）随机设置聚类中心然后将数据样本聚到离它最近的中心（b）将初始中心移动到新聚类集合所在中心（c）数据样本点根据最近邻规则重新聚到类别中心（d）聚类中心再次移到它所在新类别的中心

（二）Kmeans优缺点

Kmeans有以下几个优点：

1、是解决聚类问题的一种经典算法，算法简单、快速。

2、对处理大数据集，该算法是相对可伸缩的和高效率的，因为它的复杂度是线性的，大约是O（nkt），其中n是所有样本的数目，k是簇的数目,t是迭代的次数。通常k<<n。

3、该算法是收敛的（不会无限迭代下去）。

4、算法尝试找出使平方误差函数值最小的k个划分。当簇是密集的、球状或团状的，而簇与簇之间区别明显时，它的聚类效果很好。