使用K-means聚类方法分割图像

使用C++、opencv中的Kmeans进行图像分割

K-means算法的原理

K-means算法是基于距离相似性的聚类算法，通过比较样本之间的相似性，将形式的样本划分到同一个类别中，K-Means算法的基本过程为：

• 初始化常数 ，随机初始化k个聚类中心。
• 重复计算以下过程，直到聚类中心不再改变：

               计算每个样本与每个聚类中心之间的相似度，将样本划分到最相似的类别中；

               计算划分到每个类别中的所有样本特征的均值，并将该均值作为每个类新的聚类中心；

• 输出最终的聚类中心以及每个样本所属的类别。

        在K-Means算法中，需要随机初始化k个聚类中心，而K-Means算法对初始聚类中心的选取较为敏感，若选择的聚类中心不好，则得到的聚类结果会非常差，因此，对K-Means算法提出了很多的改进的方法，如K-Means++算法，在K-Means++算法中，希望初始化的k个聚类中心之间的距离尽可能的大，其具体过程为：

• 在数据集中随机选择一个样本点作为第一个初始化的聚类中心
• 选择出其余的聚类中心： 

                    计算样本中的每一个样本点与已经初始化的聚类中心之间的距离，并选择其中最短的距离
                    以概率选择距离最大的样本作为新的聚类中心，重复上述过程，直到 个聚类中心都被确定 

• 对k个初始化的聚类中心，利用K-Means算法计算最终的聚类中心。

更多关于 K-Means算法的原理可查看：https://www.cnblogs.com/pinard/p/6164214.html

https://blog.youkuaiyun.com/loveliuzz/article/deta