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：

 

[cpp]  view plain copy

1. void kmeans_mat(const Mat& src_img,Mat& dst_img)  
2. {  
3.     int width_src=src_img.cols;  
4.     int height_src=src_img.rows;  
5.   
6.     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）  
7.     Mat clusters;//类别标记矩阵  
8.     int k=0;  
9.     for (int i=0;i<height_src;i++)  
10.     {  
11.         for (int j=0;j<width_src;j++,k++)  
12.         {  
13.             //将像素点三通道的值按顺序排入样本矩阵  
14.             samples.at<Vec3f>(k,0)[0]=(float)src_img.at<Vec3b>(i,j)[0];  
15.             samples.at<Vec3f>(k,0)[1]=(float)src_img.at<Vec3b>(i,j)[1];  
16.             samples.at<Vec3f>(k,0)[2]=(float)src_img.at<Vec3b>(i,j)[2];  
17.         }  
18.     }  
19.     int nCuster=2;//聚类类别数，自己修改。  
20.     //聚类，KMEANS PP CENTERS Use kmeans++ center initialization by Arthur and Vassilvitskii  
21.     kmeans(samples,nCuster,clusters,TermCriteria(CV_TERMCRIT_EPS+CV_TERMCRIT_ITER,10,1.0),2,KMEANS_PP_CENTERS);  
22.   
23.     //显示聚类结果  
24.     if (dst_img.empty())  
25.     {  
26.         dst_img=Mat::zeros(height_src,width_src,CV_8UC1);  
27.     }  
28.   
29.     k=0;  
30.     int val=0;  
31.     float step=255/(nCuster-1);  
32.     for (int i=0;i<height_src;i++)  
33.     {  
34.         for (int j=0;j<width_src;j++,k++)  
35.         {  
36.             val=255-clusters.at<int>(k,0)*step;//int  
37.             dst_img.at<uchar>(i,j)=val;  
38.         }  
39.     }  
40. }  

 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。