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；
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.csdn.net/loveliuzz/article/details/78783773
opencv中关于Kmeans的API：
double kmeans(InputArray data, int K, InputOutputArray bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray centers=noArray() )
data: 需要自动聚类的数据，一般是一个Mat。浮点型的矩阵，每行为一个样本。
k: 取成几类，比较关键的一个参数。
bestLabels: 返回的类别标记,整型数字。
criteria: 算法结束的标准，获取期望精度的迭代最大次数
attempts: 判断某个样本为某个类的最少聚类次数，比如值为3时，则某个样本聚类3次都为同一个类，则确定下来。
flags: 确定簇心的计算方式。有三个值可选：KMEANS_RANDOM_CENTERS 表示随机初始化簇心。KMEANS_PP_CENTERS 表示用kmeans++算法来初始化簇心，KMEANS_USE_INITIAL_LABELS 表示第一次聚类时用用户给定的值初始化聚类，后面几次的聚类，则自动确定簇心。
centers: 用来初始化簇心的。与前一个flags参数的选择有关。如果选择KMEANS_RANDOM_CENTERS随机初始化簇心，则这个参数可省略。
使用聚类的方法分割图像，即将图像的像素点值（通常用彩色图像，像素点值为一个三元数组（b,g,r））作为聚类的元素，从而将图像中所有的点分为n类，达到分割的效果。这里只是展示代码效果，实际上可以根据需要，将其他颜色参数（如H、S、I、L、a、b等）、颜色参数的组合（NRI、NGI、NBI等）作为分类的数据点传入训练器，这样可能会对复杂的分割有帮助。
代码如下：
#include "stdafx.h"
#include
#include
#include
#include
#include
源图：
标签图（分类后的结果，代码中分为2类）：
结果图：
