K-means原理与Opencv实现

K均值（K-Means）算法是一种无监督的聚类学习算法，他尝试找到样本数据的自然类别，分类是K由用户自己定义，K均值在不需要任何其他先验知识的情况下，依据算法的迭代规则，把样本划分为K类。K均值是最常用的聚类技术之一，通过不断迭代和移动质心来完成分类，与均值漂移算法的原理很相似。

K均值算法的实现过程：

1. 对于一组未知分类的数据集合，指定其分类数K；
2. 随机分配K个类别的中心点位置，分配的原则是各个类别的中心点距离彼此越远越好。
3.将数据集中的每一个点进行类别划分，划分的距离N个初始的类别中心点中哪一个的距离最近，就划入哪一类；
4.根据上一步中初步划分的N个类别，分别计算当前每一类的样品中心，并移动初始中心点到当前集合所在的中心。
5.去除数据集合中每个点的归类属性，依据上边产生的中心点，转到第3步，迭代执行，直到中心点收敛。
K均值的核心就是不断移动类别划分的中心点，直到该点稳定下来或者达到所设置的最大迭代次数，这时当前中心点所划分的类别就是最终的K均值对样本数据的聚类。

 

 

参考：[1] https://blog.csdn.net/dcrmg/article/details/53014023 
[2] OpenCV实现最大最小距离聚类算法https://blog.csdn.net/guyuealian/article/details/80255524