k-means演算法是最為經典的基於劃分的聚類方法，是十大經典資料探勘演算法之一。k-means演算法的基本思想是：以空間中k個點為中心進行聚類，對最靠近他們的物件歸類。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結果。
假設要把樣本集分為c個類別，演算法描述如下：
(1)適當選擇c個類的初始中心;
(2) 在第k次迭代中，對任意一樣本，求其到c個中心的距離，將其歸類到距離最短的中心所在的類；
(3) 利用均值等方法更新該類的中心值;
(4) 重複步驟(2)(3)，直到聚類中心保持不變。
k-means在opencv中的實現：
void kmeans_mat(const mat& src_img,mat& dst_img)
}
int ncuster=2;//聚類類別數，自己修改。
//聚類，kmeans pp centers use kmeans++ center initialization by arthur and vassilvitskii
kmeans(samples,ncuster,clusters,termcriteria(cv_termcrit_eps+cv_termcrit_iter,10,1.0),2,kmeans_pp_centers);
//顯示聚類結果
if (dst_img.empty())
k=0;
int val=0;
float step=255/(ncuster-1);
for (int i=0;i
}
}
k-means聚類演算法，初始中心的選擇是關鍵，有時間還需要研究下kmeans_pp_centers use kmeans++ center initialization by arthur and vassilvitskii方法。
opencv之kmeans聚類演算法
k means演算法算是個著名的聚類演算法了，不僅容易實現，並且效果也不錯，訓練過程不需人工干預，實乃模式識別等領域的居家必備良品啊，今天就拿這個演算法練練手。總結來說，這個演算法的步驟如下 kmeans是非常經典的聚類演算法，至今也還保留著較強的生命力，影象處理中經常用到kmeans演算法或者其改...
k means演算法及改進
k means是最常用的聚類演算法 k means演算法流程 1 選擇k個類為初始中心 2 在第i次迭代中，對任意樣本，計算其到各中心的距離，將樣本歸到距離最短的中心所在的類 3 利用均值等方法更新類的中心值 4 對於聚類中心，經過2 3 迭代後，值保持不變，迭代結束，否則繼續迭代。k means偽...
Kmeans演算法及相關優化
1 kmeans演算法是一種無監督聚類演算法。2 演算法的目標 給定樣本集，根據樣本之間的距離大小，將樣本劃分為k個簇，讓簇內的點之間的距離盡可能近，讓簇間的點的距離盡可能的遠。3 演算法的思路 在給定k值和k個初始類簇中心點的情況下，把每個點 樣本資料 分到距離最近的類簇中心點代表的類簇中。分配完...