摘要：指定最大迭代次數的整數要求的準確性重復試驗算法次數，將會返回最好的一次結果該標志用于指定初始中心的采用方式。第一列對應于所有個人的高度，第二列對應于它們的權重。類似地，剩余的行對應于其他人的高度和重量。

K-Means Clustering in OpenCV

cv2.kmeans(data, K, bestLabels, criteria, attempts, flags[, centers]) -> retval, bestLabels, centers

data: np.float32數據類型，每個功能應該放在一個列中

nclusters（K）：集群數

bestLabels：預設的分類標簽：沒有的話 None

criteria：它是迭代終止標準,滿足此條件時，算法迭代停止,實際上，它應該是3個參數的元組。它們是（type，max_iter，epsilon）

type又有兩種選擇:

cv2.TERM_CRITERIA_EPS - 如果達到指定的精度epsilon，則停止算法迭代。

cv.TERM_CRITERIA_MAX_ITER - 在指定的迭代次數max_iter之后停止算法。

cv.TERM_CRITERIA_EPS+ cv.TERM_CRITERIA_MAX_ITER - 當滿足上述任何條件時停止迭代。

max_iter - 指定最大迭代次數的整數

epsilon - 要求的準確性

attempts：重復試驗kmeans算法次數，將會返回最好的一次結果

flags：該標志用于指定初始中心的采用方式。通常會使用兩個標志：cv2.KMEANS_PP_CENTERS和cv2.KMEANS_RANDOM_CENTERS

retval：它是從每個點到它們相應中心的平方距離之和

bestLabels：這是標簽數組

centers：這是一組聚類中心

假設只有一個特征的數據，即一維的，我們可以采用我們的T恤問題，只使用人的高度來決定T恤的大小。
因此，我們首先創建數據并在Matplotlib中繪制它

import numpy as np
import cv2
import matplotlib.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()

現在我們應用KMeans功能。我們的標準是，每當運行10次迭代算法或達到epsilon = 1.0的精度時，停止算法并返回答案.

# 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)


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

# 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()

我們設置大小為50x2的測試數據，其高度和權重為50人。 第一列對應于所有50個人的高度，第二列對應于它們的權重。 第一行包含兩個元素，其中第一行是第一人的高度，第二行是他的重量。 類似地，剩余的行對應于其他人的高度和重量。

import numpy as np
import cv2
import matplotlib.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()

顏色量化是減少圖像中顏色數量的過程，這樣做的一個原因是減少內存，某些設備可能具有限制，使得它只能產生有限數量的顏色，在那些情況下，也執行顏色量化，這里我們使用k均值聚類進行顏色量化。

import numpy as np
import cv2
import matplotlib.pyplot as plt


img = cv2.imread("img.jpg")
Z = img.reshape((-1,3))

# convert to np.float32
Z = np.float32(Z)

# define criteria, number of clusters(K) and apply kmeans()
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 8
ret,label,center=cv2.kmeans(Z,K,None,criteria,10,cv2.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))

cv2.imshow("res2",res2)
cv2.waitKey(0)
cv2.destroyAllWindows()