在上一篇（【Machine Learning】K-means算法及優化）中，我們介紹了K-means算法的基本原理及其優化的方向。opencv中也提供了K-means算法的接口，這裏主要介紹一下如何在python+opencv的環境下，使用k-means接口（C++的接口形式相似）。
python版本的k-means算法接口，即cv2.kmeans()。
輸入參數：
-samples: 類型必須是np.float32型，每個特徵應該放置在單獨的一個列中；
-nclusters(K):最終要確定的類別數；
-criteria：迭代終止的條件，3通道參數，分別是（type, max_iter, epsilon）:
- 3.a -type: 終止條件的類型，有如下3個flag: cv2.TERM_CRITERIA_EPS（精度滿足epsilon時，終止迭代）；cv2.TERM_CRITERIA_MAX_ITER（最大迭代次數達到後終止）；cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER（二者滿足其一即可終止迭代）；
- 3.b - max_iter:最大迭代次數；
- 3.c - epsilon:精度；
-attempts: 算法使用不同初始化標識執行的次數，改算法返回最佳集聚性的標籤，該值作爲輸出值返回；
-flags:用於指定如何初始化聚類中心，通常有兩種方式：cv2.KMEANS_PP_CENTERS（初始的K個點）和cv2.KMEANS_RANDOM_CENTERS（隨機產生的K個點）。
輸出參數：
-compactness: 集聚性，指每個點到相應聚類中心點的距離平方的和；
-labels：聚類的標識序列（‘0’， ‘1’......）；
-centers:聚類中心的序列。
1、一維特徵的聚類
首先，使用如下代碼，創建一個隨機數組序列，並繪製其分佈直方圖：
import numpy as np
import cv2
from matplotlib import pyplot as plt
x = np.random.randint(25,100,25)
y = np.random.randint(175,255,25)
z = np.hstack((x,y))
z = z.reshape((50,1))
z = np.float32(z)
plt.hist(z,256,[0,256]),plt.show()
這裏，調用K-means方程，首先我們要設定好criteria，這裏最大迭代次數設定爲10，誤差設定爲1.0，且終止條件指定爲不管達到誤差還是達到最大迭代次數，都將終止迭代。同時，指定將以上數據聚類爲2類。具體代碼如下：
# Define criteria = ( type, max_iter = 10 , epsilon = 1.0 )
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
# Set flags (Just to avoid line break in the code)
flags = cv2.KMEANS_RANDOM_CENTERS
# Apply KMeans
compactness,labels,centers = cv2.kmeans(z,2,None,criteria,10,flags)這裏返回了compactness, labels and centers.這裏，我們得到64和210兩個中心點（每次運行可能不太一樣，因爲數據是隨機出來的）。labels的大小和輸入數據的大小相同，每個數據都將根據他們所屬類的中心被標記爲‘0’，‘1’，‘2’ 等等。下面將根據他們的標識，將數據按類分離開：
A = z[labels==0]
B = z[labels==1]下面將A類用紅色繪製，B類用藍色繪製，他們的中心均用黃色繪製：
# Now plot 'A' in red, 'B' in blue, 'centers' in yellow
plt.hist(A,256,[0,256],color = 'r')
plt.hist(B,256,[0,256],color = 'b')
plt.hist(centers,32,[0,256],color = 'y')
plt.show()可得到如下結果：
2、多維特徵的聚類
下面考慮二維特徵的聚類，按照上面類似的思路，生成數據，進行聚類，並繪製聚類結果。代碼如下：
import numpy as np
import cv2
from matplotlib import pyplot as plt
X = np.random.randint(25,50,(25,2))
Y = np.random.randint(60,85,(25,2))
Z = np.vstack((X,Y))
# convert to np.float32
Z = np.float32(Z)
# define criteria and apply kmeans()
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
ret,label,center=cv2.kmeans(Z,2,None,criteria,10,cv2.KMEANS_RANDOM_CENTERS)
# Now separate the data, Note the flatten()
A = Z[label.ravel()==0]
B = Z[label.ravel()==1]
# Plot the data
plt.scatter(A[:,0],A[:,1])
plt.scatter(B[:,0],B[:,1],c = 'r')
plt.scatter(center[:,0],center[:,1],s = 80,c = 'y', marker = 's')
plt.xlabel('Height'),plt.ylabel('Weight')
plt.show()聚類結果如下：
2017.11.17