Kmeans聚类算法是十分常用的聚类算法，给定聚类的数目N，Kmeans会自动在样本数据中寻找N个质心，从而将样本数据分为N个类别。下面简要介绍Kmeans聚类原理，并附上自己写的Kmeans聚类算法实现。
一、Kmeans原理
1. 输入：一组数据data，设定需要聚类的类别数目ClusterCnt，设定迭代次数IterCnt，以及迭代截止精度eps
输出：数据data对应的标签label，每一个数据都会对应一个label（范围0 ~ ClusterCnt-1），表示该数据属于哪一类。
2. 首先，选取初始ClusterCnt个质心位置，选取初始质心位置很重要。一般原则是这ClusterCnt个质心在数值上相互差别越远越好（距离越大越好）。偷懒的做法就是随机选取，或者是选取前面ClusterCnt个数据作为初始质心。但是前提是初始质心数值不能存在重复或者相等的情况。
3. 开始聚类，这是一个迭代过程。先针对每一个数据，计算其与每个质心之间的距离（差别），选取距离最小的对应的质心，将其归为一类（设置为同一个标签值），依次遍历所有数据。这样第一次迭代后，所有数据都有一个标签值。
4. 计算新的质心。每一次迭代完成后，计算每个类别中数据中的均值，将此均值作为新的质心，进行下一轮的迭代。这样每一轮迭代后都会重新计算依次质心。直到满足5中的条件。
5. 每次迭代后，计算每个类别中数值的方差值，然后求出所有类别方差值得均值var，将var作为一个判别准则，当本次var与上次var之间的变化小于eps时，或者迭代次数大于iterCnt时，停止迭代，聚类完成。
6. 输出数据的标签。相同标签值得被kmeans聚为一类，这样所有数据就被聚类为设定的ClusterCnt个类别。
二、图像中的应用
简单的将kmeans算法应用于图像中像素点的分类，每个像素点的RGB值作为输入数据，计算像素点与质心之间的距离，不断迭代，直到所有像素点都有一个标签值。根据标签图像将原图像中同一类别设定相同颜色，不同类别设定不同颜色。可用于图像分割等。
OpenCV中也集成有Kmeans算法的API，如下图，其选取初始质心有三种flag可以设置，随机选取、某种算法选取、用户设定。具体使用方法请参考OpenCV文档。
三、示例
原图 kmeans聚类 （10类）
四、代码
见我的码云code：https://gitee.com/rxdj/myKmeans.git