摘要：
Kmeans算法主要用于实现自动聚类。它是一种无监督的机器学习算法，被广泛使用。Opencv3.0提供了这样一个功能，可以直接调用它来实现自动聚类，非常方便。KMEANS_PP_CENTERS表示使用KMEANS++算法（从未使用过）初始化群集中心，KMEANS_USE_IINITIAL_LABELS表示在第一次群集时使用用户给定的值初始化群集，并且在接下来的几次群集中自动确定群集中心。中心：用于初始化群集中心。这里我们使用kmeans自动聚类来执行自动抠图。
kmeans算法主要用来实现自动聚类，是一种非监督的机器学习算法，使用非常广泛。在opencv3.0中提供了这样一个函数，直接调用就能实现自动聚类，非常方便。
函数原型：
C++: double kmeans(InputArray data, int K, InputOutputArray bestLabels, TermCriteria criteria, int attempts, int flags, OutputArray centers=noArray() )
有7个参数，分别表示：
data: 需要自动聚类的数据，一般是一个Mat。浮点型的矩阵，每行为一个样本。
k: 取成几类，比较关键的一个参数。
bestLabels: 返回的类别标记,整型数字。
criteria: 算法结束的标准，获取期望精度的迭代最大次数
attempts: 判断某个样本为某个类的最少聚类次数，比如值为3时，则某个样本聚类3次都为同一个类，则确定下来。
flags: 确定簇心的计算方式。有三个值可选：KMEANS_RANDOM_CENTERS 表示随机初始化簇心。KMEANS_PP_CENTERS 表示用kmeans++算法来初始化簇心（没用过），KMEANS_USE_INITIAL_LABELS 表示第一次聚类时用用户给定的值初始化聚类，后面几次的聚类，则自动确定簇心。
centers: 用来初始化簇心的。与前一个flags参数的选择有关。如果选择KMEANS_RANDOM_CENTERS随机初始化簇心，则这个参数可省略。
示例图片：
学过ps描图的都知道，头发丝在抠图中，是非常难的。这里我们就用kmeans自动聚类来进行自动抠图。
思路就是将图片的每个像素点的三通道值作为一个特征，因此会得到一个n行3列的特征矩阵data,然后用这个特征矩阵进行kmeans
代码：
#include "stdafx.h" #include "opencv2opencv.hpp" #include <iostream> using namespace std; using namespace cv; int main() { const int MAX_CLUSTERS = 5; Vec3b colorTab[] = { Vec3b(0, 0, 255), Vec3b(0, 255, 0), Vec3b(255, 100, 100), Vec3b(255, 0, 255), Vec3b(0, 255, 255) }; Mat data,labels; Mat pic = imread("d:/woman.png"); for (int i = 0; i < pic.rows;i++) for (int j = 0; j < pic.cols; j++) { Vec3b point = pic.at<Vec3b>(i, j); Mat tmp = (Mat_<float>(1, 3) << point[0], point[1], point[2]); data.push_back(tmp); } //根据浏览图片，确定k=3 kmeans(data, 3, labels, TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 10, 1.0), 3, KMEANS_RANDOM_CENTERS); int n = 0; //显示聚类结果，不同的类别用不同的颜色显示 for (int i = 0; i < pic.rows; i++) for (int j = 0; j < pic.cols; j++) { int clusterIdx = labels.at<int>(n); pic.at<Vec3b>(i, j) = colorTab[clusterIdx]; n++; } imshow("pic", pic); waitKey(0); return 0; }
结果：
效果不是十分理想，毕竟是全自动的。