聚类算法——K-means, K-means++, KNN, GMM,

最新推荐文章于 2025-05-17 09:50:29 发布

原创

最新推荐文章于 2025-05-17 09:50:29 发布 · 2k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#算法

K-means算法是一种常用的数据聚类方法，通过迭代更新类中心和分配样本至最近的类来实现数据划分。在OpenCV库中，kmeans函数提供了一种实现方式，接受样本数据、类别数、精度标准等参数，用于执行聚类过程。K-means++是一种改进的初始化方法，能更好地解决初始中心点选择问题，提高聚类效果。此外，KNN作为另一种聚类算法，基于最近邻原则进行分类，而GMM（高斯混合模型）则利用多个高斯分布来拟合数据，适用于更复杂的分布情况。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

K-means 算法思想：
1.初始化聚类个数及中心点。人为给定。
2.划分数据到每个类。计算样本数据到各聚类中心的距离（欧式距离或其他距离等），把每个样本划分到最近的类中。
3.重新计算类中心点。一般是求坐标平均值。
4.重复2、3步骤。直到聚类中心不再移动位置。
opencv函数kmeans使用方法：
原型：double kmeans(InputArray data, int K, InputOutputArray bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray centers=noArray() )
    data：[IN] 输入样本，一行是一个样本。类型float。
    K：[IN] 类别数
    bestLabels：[OUT] 输出类别标签。与data有相等行数，1列，类型CV_32SC1
    criteria：[IN] 精度设置。TermCriteria(CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, 10, 1.0)
示例：
void test_kmeans(Mat& img, int K)
{
	Mat binary_img;
	threshold(img, binary_img, 230, 255, THRESH_BINARY_INV);
	Mat centers, labels;
	int sample_count = countNonZero(binary_img);
	vector<Point2f> samples_point(sample_count);
	int temp_count(0);
	for (int row = 0; row < bin