企业官网建设流程全解析

OpenCV K-Means 聚类完全指南：从算法原理到 cv.kmeans() 实战与颜色量化

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv

本文以 OpenCV 官方 K-Means 聚类教程（py_kmeans_index.markdown）为主体，完整讲解 K-Means 聚类的算法思想、cv.kmeans()函数的全部输入输出参数，以及一维数据聚类、多维数据聚类和图像颜色量化三个可运行的实战示例，并结合 modules/core/src/kmeans.cpp 的源码实现剖析终止条件、k-means++ 初始化、空簇处理等底层细节，帮助你在掌握原理的同时正确使用 OpenCV 的聚类接口。

1. 为什么需要 K-Means：T 恤尺码问题

K-Means 聚类要解决的核心问题是：在没有标签的数据中，把样本自动划分为 K 个组，使得组内样本尽量紧凑。

OpenCV 教程用一个经典例子说明（见 py_kmeans_understanding.markdown）：一家公司要推出新款 T 恤，它收集了所有人的身高和体重数据并绘制成散点图：

公司不可能为每个人定制一种尺码，而是把人群分成 S、M、L 三档，只生产这三种尺码以覆盖所有人。这种"把人群划分为三组"的分组操作正是 K-Means 聚类能完成的：算法给出最优的 3 个中心点（即最佳尺码规格）。如果三档不够用，可以把 K 增大到 5 甚至更多。

2. K-Means 算法的迭代流程

K-Means 是一个迭代过程，可以分解为以下三个步骤循环执行：

• Step 1（随机选中心）：算法随机选取 K 个质心 C1、C2……（有时也可以直接取任意 K 个数据点作为初始质心）。
• Step 2（按距离打标签）：计算每个数据点到各质心的距离。若某数据点离 C1 更近则标记为 '0'，离 C2 更近则标记为 '1'（K 个质心时依次标记 '2'、'3'……）。教程示例中以红色表示 '0'、蓝色表示 '1'。
• Step 3（更新质心）：分别计算所有红色点和蓝色点的平均值，作为新的质心，即 C1、C2 移动到新的位置。

之后重复 Step 2 和 Step 3，直到质心收敛到固定位置（或满足我们给定的停止条件，如最大迭代次数、达到指定精度）。收敛得到的质心满足一个优化目标：所有数据点与其对应质心的距离之和最小，即同时最小化 C1 与红点集合、C2 与蓝点集合的距离总和：

minimize J = Σ(distance(C1, Red_Point) over all Red Points) + Σ(distance(C2, Blue_Point) over all Blue Points)

需要说明：教程中的示意图仅为演示，并非真实数值或真实比例。以上是 K-Means 的直观理解；其变体研究（如初始质心如何选取、如何加速迭代）属于更深入的专题。

3. cv.kmeans() 接口：参数详解

OpenCV 将 K-Means 实现为cv.kmeans()函数。注意它在 C++ 层面属于core 模块（声明见 core.hpp），而非 ml 模块；Python 侧则通过cv2.kmeans()调用。

C++ 原型为：

double kmeans( InputArray data, int K, InputOutputArray bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray centers = noArray() );

官方头文件对函数的描述是："The function kmeans implements a k-means algorithm that finds the centers of cluster_count clusters and groups the input samples around the clusters"，且bestLabels[i]存储第 i 个样本所属的 0 起始簇索引；返回值是每次尝试后计算的紧致度（compactness）最小值。

3.1 输入参数

从源码结构看，core.hpp 中的KmeansFlags枚举实际还包含第三个标志KMEANS_USE_INITIAL_LABELS = 1：首次（可能也是唯一一次）尝试时，不使用初始质心计算，而直接使用用户提供的标签作为起点，后续尝试再改用随机中心。官方头文件特别提到这一技巧——把 attempts 设为 1、用自定义算法初始化标签并传入该标志，可以只把kmeans当作迭代核心，再在外层自行挑选最紧凑的聚类结果。

3.2 输出参数

官方示例 samples/python/snippets/kmeans.py 展示了典型调用方式：_ret, labels, _centers = cv.kmeans(points, cluster_n, None, term_crit, 10, 0)，其中term_crit = (cv.TERM_CRITERIA_EPS, 30, 0.1)，第三个参数传None表示让 OpenCV 自行分配 labels 数组。

4. 实战示例一：单特征（一维）数据聚类

以只用身高一个特征来决定 T 恤尺码为例。先生成一维数据并用 Matplotlib 画直方图：

import numpy as np import cv2 as cv 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()

这里得到 50 个 0~255 范围内的值。z被 reshape 成列向量（50x1）——当特征不止一个时这种"每特征一列"的格式更通用，随后转换为np.float32类型（这是cv.kmeans()的硬性要求）。

接下来应用 KMeans。教程采用的终止条件是：运行 10 次迭代，或达到 epsilon = 1.0 的精度，就停止并返回结果：

# Define criteria = ( type, max_iter = 10 , epsilon = 1.0 ) criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 10, 1.0) # Set flags (Just to avoid line break in the code) flags = cv.KMEANS_RANDOM_CENTERS # Apply KMeans compactness,labels,centers = cv.kmeans(z,2,None,criteria,10,flags)

得到 compactness、labels 和 centers 后，教程示例中运行得到 centers 约为 60 和 207；labels 与测试数据同尺寸，每个样本按其最近的质心被标记为 '0'、'1'、'2' 等。按标签拆分数据：

A = z[labels==0] B = z[labels==1]

再分别用红色画 A、蓝色画 B、黄色画质心：

# 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()

5. 实战示例二：多特征（二维）数据聚类

上一例只用了身高，这里同时使用身高和体重两个特征。

注意数据矩阵的约定：每个特征占一列，每一行是一个输入样本。此例构造 50x2 的测试数据（50 个人的身高和体重）：第一列是 50 个人的身高，第二列是体重；第一行的两个元素分别是第 1 个人的身高和体重，其余行类推。

import numpy as np import cv2 as cv 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 = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 10, 1.0) ret,label,center=cv.kmeans(Z,2,None,criteria,10,cv.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()

6. 实战示例三：颜色量化

颜色量化（Color Quantization）是减少图像中颜色数量的过程。动机通常是压缩内存，或者某些设备只能显示有限数量的颜色。用 K-Means 做颜色量化的思路并不复杂：

1. 图像有 R、G、B 三个特征，把图像 reshape 成 Mx3 数组（M 为像素总数）；
2. 对每个像素执行聚类；
3. 聚类后用质心值（同样是 R,G,B）替换所有像素，得到只有指定颜色数的结果图像；
4. 再把结果 reshape 回原图形状。

完整代码（教程使用home.jpg，可替换为任意彩色图像）：

import numpy as np import cv2 as cv img = cv.imread('home.jpg') Z = img.reshape((-1,3)) # convert to np.float32 Z = np.float32(Z) # define criteria, number of clusters(K) and apply kmeans() criteria = (cv.TERM_CRITERIA_EPS + cv.TERM_CRITERIA_MAX_ITER, 10, 1.0) K = 8 ret,label,center=cv.kmeans(Z,K,None,criteria,10,cv.KMEANS_RANDOM_CENTERS) # Now convert back into uint8, and make original image center = np.uint8(center) res = center[label.flatten()] res2 = res.reshape((img.shape)) cv.imshow('res2',res2) cv.waitKey(0) cv.destroyAllWindows()

上图为 K=8 时的量化效果：原图被压缩为仅 8 种颜色，整体色调保留但细节明显简化。

7. 源码级实现剖析：cv::kmeans 内部如何工作

以上例行为什么有效？结合 kmeans.cpp 的实现可以确认几个关键事实：

（1）输入约束与教程要求一一对应。实现入口（L236-L251）断言data0.dims <= 2 && type == CV_32F && K > 0，并检查样本数不少于簇数（"There can't be more clusters than elements"）。这正是教程强调"必须np.float32""每特征一列"的原因——传错类型会直接报错。

（2）终止条件的实际处理方式。源码中 epsilon 会被平方后再使用（L289-L293：criteria.epsilon *= criteria.epsilon），因为收敛判断比较的是质心位移的平方和；若 criteria 含 COUNT（MAX_ITER）标志，maxCount会被钳制在 [2, 100] 区间（L295-L298）。收敛判定在 L438：当某次迭代中所有质心位移的平方和最大值不超过 epsilon²，或迭代次数达到max(criteria.maxCount, 2)时停止。

（3）k-means++ 初始化（KMEANS_PP_CENTERS）。当 flags 含KMEANS_PP_CENTERS时，走 generateCentersPP：先随机取第一个中心，之后按"距已有中心越远、被选中的概率越大"的概率分布采样候选中心，每次做SPP_TRIALS = 3次试验并选取使总距离和最小的候选——这就是 Arthur & Vassilvitskii (2007) 的 k-means++ 算法。而默认的KMEANS_RANDOM_CENTERS（flags=0）则先在 L306-L324 统计每个特征维度的 [min, max] 边界盒，再由generateRandomCenter在边界盒内随机生成中心。

（4）空簇处理。若某次迭代后出现空簇，实现（L364-L413）会找到最大簇中离其质心最远的那个点，把它从最大簇中剔除并单独成簇，保证 K 个簇始终非空。

（5）attempts 与紧致度。外层按 attempts 次数重复整个流程（L327），每次尝试结束计算紧致度 = 各样本到其簇中心的距离平方和，最终返回所有尝试中最小紧致度对应的 labels、centers 和 compactness（L440-L468）。因此"增大 attempts"确实能提升结果的稳定性。

（6）并行化。距离计算与标签分配都通过parallel_for_分块并行，并行粒度由环境变量OPENCV_KMEANS_PARALLEL_GRANULARITY（默认 1000，见 L53）控制。此外，modules/flann/include/opencv2/flann/kmeans_index.h 中还包含 FLANN 基于 k-means 树结构的最近邻索引，属于另一类用途，可作延伸阅读。

8. 测试与参考示例

• 官方 Python 测试 modules/python/test/test_kmeans.py：用make_gaussians生成 5 个高斯簇的 float32 数据，以term_crit = (cv.TERM_CRITERIA_EPS, 30, 0.1)、attempts=10 调用cv.kmeans，断言每个真实高斯簇中占多数的标签置信度大于 0.9——这验证了接口在真实分布数据上的正确行为，也示范了 epsilon 取 0.1 这类更精细精度的写法。
• 交互示例 samples/python/snippets/kmeans.py：循环生成 512x512 画布上的 5 个高斯簇点集，每次按 labels 给点着不同颜色绘制；按 space 重新采样、ESC 退出，适合直观感受聚类效果。

9. 小结

• K-Means 以"随机初始质心 → 最近质心打标 → 重算质心"的迭代逼近距离平方和最小的分组，收敛目标可写为各点到对应质心距离之和的极小化。
• 使用cv.kmeans()时的三个硬性要点：数据必须np.float32且每特征一列；K ≤ 样本数；用(type, max_iter, epsilon)元组控制终止。
• 三个由浅入深的场景覆盖了典型用法：一维直方图分档、二维散点聚类、以及把 Mx3 像素矩阵量化为 K 种颜色的图像颜色量化。
• 追求更稳定的初始质心可选cv.KMEANS_PP_CENTERS（内部即 k-means++），追求重复实验可比对KMEANS_RANDOM_CENTERS与不同 attempts 的结果。

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv