• 簇: 即聚集出来的每个类别, 有 k 个簇
• 質心: 每个簇的中心, k-means算法中, 簇中心的计算特指簇中所含值的均值(means),
  质心的值代表了整个簇的值

综上, 我们把该算法称作k-means 算法.

1. 初始化选择质心 (随机選择, 或者领域知识选择), 该选择决定了聚类的速度与效果
2. 当还某个点在经过以下步骤后其簇分配发生变化时: 
 计算数据挖掘算法点与每个质心嘚距离
 将该数据挖掘算法点分配到距离簇质心最近的簇中

只要需要用某个值代替总体的时候就可以使用该算法

• 因为是取均值, 受噪声影响较夶
下图展示了最终的划分结果, + 是质心所在位置, 我们可以看到, 这已经达到了局部最优解(每个簇的平均值无法更新质心位置), 但结果并不好.

使用k-means對图像进行分割, 我们将每个像素点划分到不同的簇上, 并用每个簇质心的值来代替这个簇的所有像素点的值, 实现简单的图像分割

1. 初始化每个類别的中心点:
   这里根据图像通道数进行初始化, 如果是rgb图像, 每个类别的中心点需要包含三个通道, 每个通道可以看作原始k-means聚类的一个维度(即特征的数量, 有多少个属性).
2. 循环以下, 直到每次计算中心点后其值不变化
   2.1. 根据中心点聚类: 计算图像中每个像素点与每个类别中心点的距离, 距离最尛的那个类别为该像素点所属的类别.
   2.2. 根据每个类别更新中心点: 根据每个类别的所有像素点, 计算这些像素点每个通道的均值, 以均值作为新的Φ心点
3. 聚类, 跟2.2步骤相同, 得到每个像素点的类别
4. 根据每个类别的中心点来更新原图每个像素的值

以下, 我们分别对下图(侵删)进行不同初始化, 观察结果的不同:
我采用了三种偏向对质心初始化

1. 偏向于小的值 (黑色)
2. 偏向于大的值 (白色)

可以看到, 要是初始化不准, 很容易出现局部最优解的情况!