K均值用于图像分割

K均值聚类用于图像分割

       聚类：将抽象对象的集合分成由多个相似的对象组成的多个子类的过程，常用聚类方法有：分裂法，层次法，基于密度的方法，基于网格的方法，基于模型的方法，K均值法。其中K均值法是一种基于距离的分裂法。

K均值算法是非常常用的一种聚类算法，用于将给定的样本集分成指定数目的聚类。具体算法如下：

·      为每个聚类确定一个初始的聚类中心，这样k个聚类存在k个聚类中心

·      将样本集中的每一个样本按照最小距离原则 分配到k个聚类中的某一个

·      使用每个聚类中所有样本的均值作为新的聚类中心

·      如果聚类中心有变化则重复2、3步直到聚类中心不再变化为止

·      最后得到的k个聚类中心就是聚类的结果

K均值算法是一种贪心算法，因而不一定能得到最优化结果，不过它是必定收敛的。

BOOLCDibImage::KmeansDIB(LPSTRlpDIBBits, LONG lWidth, LONG lHeight)

{

LPSTRlpSrc;    // 指向源图像的指针 

LPSTRlpDst;     // 指向缓存图像的指针 

LPSTR lpNewDIBBits;   // 指向缓存DIB图像的指针

HLOCAL hNewDIBBits;

LONG lLineBytes;   // 图像每行的字节数

long i,j,k,order =0,temp=255;      // 循环变量

unsigned char pixel