kmeans算法的原理参考：http://www.cnblogs.com/mikewolf2002/p/3368118.html

下面学习一下opencv中kmeans函数的使用。

     首先我们通过OpenCV中的随机数产生器RNG，生成一些均匀分布的随机点，这些点的位置对应一副图像中的像素位置，然后使用kmeans算法对这些随机点进行分类，并计算出分类簇的中心点。

     随机产生的簇的数量是2到5之间的值，采样点的数量范围是1-1000，一维矩阵centers存放kmeans算法结束后，各个簇的中心位置。

     

//簇的数量
int k, clusterCount = rng.uniform(2, MAX_CLUSTERS+1);
//采样点的数量
int i, sampleCount = rng.uniform(1, 1001);
Mat points(sampleCount, 1, CV_32FC2), labels;

clusterCount = MIN(clusterCount, sampleCount);
//中心点矩阵
Mat centers(clusterCount, 1, points.type());

printf("clusterCount=%d, sampleCount=%d\n", clusterCount, sampleCount);
//产生多高斯部分的随机采样点
for( k = 0; k < clusterCount; k++ )
    {
    Point center;
    center.x = rng.uniform(0, img.cols);
    center.y = rng.uniform(0, img.rows);
    Mat pointChunk = points.rowRange(k*sampleCount/clusterCount,
        k == clusterCount - 1 ? sampleCount :
        (k+1)*sampleCount/clusterCount);
    printf("rows start=%d rows end=%d\n", k*sampleCount/clusterCount, k == clusterCount - 1 ? sampleCount :
        (k+1)*sampleCount/clusterCount);

注意rng.fill函数，会以center点为中心，产生高斯分布的随机点(位置点），并把位置点保存在矩阵pointChunk中。
    //第三个参数中心，第四个参数偏移
    rng.fill(pointChunk, CV_RAND_NORMAL, Scalar(center.x, center.y), Scalar(img.cols*0.05, img.rows*0.05));
    }

//打乱points中值，第二个参数表示随机交换元素的数量的缩放因子，总的交换次数dst.rows*dst.cols*iterFactor，第三个参数是个随机发生器，决定选那两个元素交换。

randShuffle(points, 1, &rng);

      kmeans函数中points为输入矩阵，其中存储的是采样点，labels也是一个一维矩阵，它的size和points一样，里面存储的是每个采样点执行kmeans算法后属于属于那一个簇，值为0到clusterCount-1，centers中存放的是kmeans算法结束后每个簇的中心位置。

      flags(第7个参数)为KMEANS_PP_CENTERS 表示使用 kmeans++ center initialization by Arthur and Vassilvitskii [Arthur2007]算法决定簇的初始中心，否则就是采用随机值的方法决定初始中心。

     如果flags是CV_KMEANS_USE_INITIAL_LABELS，则需要初始化labels,就是初始指定点的分类。

     最后我们在图像中画出每个位置点对应的像素，中心位置用蓝色的圆圈表示。

//labels中放的是执行kmeans算法后sample中簇的索引
kmeans(points, clusterCount, labels,
    TermCriteria( CV_TERMCRIT_EPS+CV_TERMCRIT_ITER, 10, 1.0),
    3, KMEANS_PP_CENTERS, centers);

img = Scalar::all(0);

for( i = 0; i < sampleCount; i++ )
    {
    int clusterIdx = labels.at<int>(i);
    Point ipt = points.at<Point2f>(i);
    circle( img, ipt, 2, colorTab[clusterIdx], CV_FILLED, CV_AA );
    }

cout<<"Center: \n"<<centers<<endl;

//用蓝色画出每个聚类的中心
//有bug，不让我直接用centers.at<Point2f>(i);，会异常
for( i = 0; i < clusterCount; i++ )
    {
    Point ipt = Point(centers.at<float>(i*2), centers.at<float>(i*2+1));
    circle( img, ipt, 5, Scalar(255,0,0),CV_FILLED, CV_AA );

    }
imshow("clusters", img);

下面图像是5个簇的kmeans聚类结果。

源代码参考工程:FirstOpenCV15