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演算法或者其改進演算法進行影象分割操作，在資料探勘中kmeans經常用來做資料預處理。opencv中提供了完整的kmeans演算法，其函式原型為：double kmeans( inputarray data, int k, inputoutputarray bestlabels, termcriteria criteria, int attempts, int flags, outputarray centers = noarray() );
其中data表示用於聚類的資料，是n維的陣列型別（mat型），必須浮點型；
k表示需要聚類的類別數；
bestlabels聚類後的標籤陣列，mat型；
criteria迭代收斂準則（max_iter最大迭代次數，eps最高精度）；
attemps表示嘗試的次數，防止陷入區域性最優；
flags 表示聚類中心的選取方式（kmeans_random_centers 隨機選取，kmeans_pp_centers使用arthur提供的演算法，kmeans_use_initial_labels使用初始標籤）；
centers 表示聚類後的類別中心。
關於kmeans的理論可以參考：基本kmeans演算法介紹及其實現
補充：
k-means 演算法接受輸入量 k ；然後將n個資料物件劃分為 k個聚類以便使得所獲得的聚類滿足：同一聚類中的物件相似度較高；而不同聚類中的物件相似度較小
1. 演算法基本步驟
（1） 從 n個資料物件任意選擇 k 個物件作為初始聚類中心；
（2） 根據每個聚類物件的均值（中心物件），計算每個物件與這些中心物件的距離；並根據最小距離重新對相應物件進行劃分；
（3） 重新計算每個（有變化）聚類的均值（中心物件）；
（4） 計算標準測度函式，當滿足一定條件，如函式收斂時，則演算法終止；如果條件不滿足則回到步驟（2）。
2.opencv 函式使用
int cvkmeans2(const cvarr* samples, //輸入樣本的浮點矩陣，每個樣本一行
int nclusters,//所給定的聚類數目
cvarr* labels, //輸出整數向量：每個樣本對應的類別標識
cvtermcriteria termcrit, //指定聚類的最大迭代次數和／或精度（兩次迭代引起的聚類中心的移動距離）
int attempts=1, cvrng* rng=0,int flags=0,
cvarr* centers=0,double* compactness=0);
參考：
聚類演算法之Kmeans
kmeans是聚類演算法中比較簡單的演算法，也用的非常多。這裡進行簡單的解釋，主要目的在於給自己記錄，以備以後檢視。k均值聚類的主要思想是為了使得各個類的點離聚類中心都盡可能近。k均值聚類的演算法可以描述為 輸入 資料集d d 聚類簇個數 k 演算法 從資料集d中隨機選擇k個樣本作為初始聚類中心 r...
聚類演算法之K means
k means演算法也稱k 均值聚類演算法。它試圖通過基於原型的 劃分的距離計算來發現k個使用者預先指定的簇。將一組資料劃分為預先設定好的k個簇，也可理解為隨機選擇k個向量作為初始均值向量。接下來根據均值向量將樣本劃分到距離最近的均值向量所在的簇中。這是一次迭代過程。重新計算並更新均值向量，不斷重複...
經典演算法之k means聚類
原理 給定一系列樣本點，想要分成k類 1 首先從中隨機選取k個點作為質心 2 分別計算每個點到這k個質心的歐式距離 為例 到哪個質心距離最小，這個點就屬於這個質心，這樣把所有點分成k類 3 再分別計算k類中每一類新的質心，根據公式2 4 迭代 2 3 直到達到最優條件，條件如最小距離平方和公式3 公...