【转】 聚类算法-Kmeans算法的简单实现

标签：targe   release   tor   efi   name   来源   des   下标   tab   

1. 聚类与分类的区别：

    首先要来了解的一个概念就是聚类，简单地说就是把相似的东西分到一组，同 Classification (分类)不同，对于一个 classifier ，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做 supervised learning (监督学习)，而在聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，因此，一个聚类算法通常只需要知道如何计算相似 度就可以开始工作了，因此 clustering 通常并不需要使用训练数据进行学习，这在 Machine Learning 中被称作 unsupervised learning (无监督学习)。

我们经常接触到的聚类分析，一般都是数值聚类，一种常见的做法是同时提取 N 种特征，将它们放在一起组成一个 N 维向量，从而得到一个从原始数据集合到 N 维向量空间的映射——你总是需要显式地或者隐式地完成这样一个过程，然后基于某种规则进行分类，在该规则下，同组分类具有最大的相似性。

　　假设我们提取到原始数据的集合为(x₁, x₂, …, x_n)，并且每个xi为d维的向量，K-means聚类的目的就是，在给定分类组数k（k ≤ n）值的条件下，将原始数据分成k类 
S = {S₁, S₂, …, S_k}，在数值模型上，即对以下表达式求最小值：

这里μ_i 表示分类S_i 的平均值。

说明：给定K，聚类完成后，对于每个类，对该类中的所有样本点到该类中心点的距离的平方求和，记为sum，对每个类都这样求和，然后把所有类的

sum加起来，总和记为SUM，聚类Kmeans算法就是要使得SUM最小。

　　那么在计算机编程中，其又是如何实现的呢？其算法步骤一般如下：

1、从D中随机取k个元素，作为k个簇的各自的中心。

2、分别计算剩下的元素到k个簇中心的相异度，将这些元素分别划归到相异度最低的簇。

3、根据聚类结果，重新计算k个簇各自的中心，计算方法是取簇中所有元素各自维度的算术平均数。

4、将D中全部元素按照新的中心重新聚类。

5、重复第4步，直到聚类结果不再变化。

6、将结果输出。

　　用数学表达式来说，

设我们一共有 N 个数据点需要分为 K 个 cluster ，k-means 要做的就是最小化

这个函数，其中  在数据点 n 被归类到 cluster k 的时候为 1 ，否则为 0 。即上面的J即为最上面的SUM，直接寻找  和  来最小化  并不容易，不过我们可以采取迭代的办法：先固定  ，选择最优的  ，很容易看出，只要将数据点归类到离他最近的那个中心就能保证  最小。下一步则固定 ，再求最优的 。将  对  求导并令导数等于零，很容易得到  最小的时候  应该满足：

其中  在数据点 n 被归类到 cluster k 的时候为 1，即上面的分母就是类cluster k中样本点数，而分子为该分类中所有样本点的和

亦即  的值应当是所有 cluster k 中的数据点的平均值。由于每一次迭代都是取到  的最小值，因此  只会不断地减小（或者不变），而不会增加，这保证了 k-means 最终会到达一个极小值。虽然 k-means 并不能保证总是能得到全局最优解，但是对于这样的问题，像 k-means 这种复杂度的算法，这样的结果已经是很不错的了。

2. 实现：

注：该实现用的是opencv中的一个函数：cvKMeans2函数

代码来源：http://www.cnblogs.com/moondark/archive/2012/03/08/2385870.html

[cpp] view plain copy

 

 

1. </pre><p></p><p style="margin:15px auto 10px; padding-top:0px; padding-bottom:0px; line-height:22px; text-align:justify"></p><pre code_snippet_id="500422" snippet_file_name="blog_20141029_2_1547356" name="code" class="cpp" style="font-family: ‘Lucida Grande‘, ‘Lucida Sans Unicode‘, Helvetica, Arial, Verdana, sans-serif; font-size: 14px; ">#ifdef _CH_  
2. #pragma package <opencv>  
3. #endif  
4.   
5. #define CV_NO_BACKWARD_COMPATIBILITY  
6.   
7. // opencv函数手册：http://wiki.opencv.org.cn/index.php/Cxcore数组操作#.E9.9A.8F.E6.9C.BA.E6.95.B0.E7.94.9F.E6.88.90  
8. // 代码来源：http://www.cnblogs.com/moondark/archive/2012/03/08/2385870.html  
9. #include "opencv/cv.h"  
10. #include "opencv/highgui.h"  
11. #include <stdio.h>  
12.   
13. int main( int argc, char** argv )  
14. {  
15.     #define MAX_CLUSTERS 5    //设置类别的颜色，个数（《=5）  
16.     CvScalar color_tab[MAX_CLUSTERS];  
17.     IplImage* img = cvCreateImage( cvSize( 500, 500 ), 8, 3 ); //8位，3通道  
18.     CvRNG rng = cvRNG(-1); //4位的有符号数，若4位全为1，则值为-1，即A=1111,A=-1,当转换为无符号数时，则为最大  
19.     CvPoint ipt;  
20.   
21.     color_tab[0] = CV_RGB(255,0,0); //每个类别的颜色标志  
22.     color_tab[1] = CV_RGB(0,255,0);  
23.     color_tab[2] = CV_RGB(100,100,255);  
24.     color_tab[3] = CV_RGB(255,0,255);  
25.     color_tab[4] = CV_RGB(255,255,0);  
26.   
27.     cvNamedWindow( "clusters", 1 );  
28.   
29.     for(;;)  
30.     {  
31.         char key;  
32.         int k, cluster_count = cvRandInt(&rng)%MAX_CLUSTERS + 1; //聚类的类别数随机生成，在[1,5]范围内  
33.         int i, sample_count = cvRandInt(&rng)%1000 + 1; //样本个数  
34.         CvMat* points = cvCreateMat( sample_count, 1, CV_32FC2 ); //生成sample_count行，1列且数据类型为32位浮点双通道的数组，样本点数组  
35.         CvMat* clusters = cvCreateMat( sample_count, 1, CV_32SC1 );//生成sample_count行，1列且数据类型为32位有符号数单通道的数组，每个样本对应的类别标识数组  
36.         cluster_count = MIN(cluster_count, sample_count); //聚类的类别数  
37.   
38.         /** generate random sample from multigaussian distribution,用多维高斯分布即正态分布来生成随机数 */  
39.         for( k = 0; k < cluster_count; k++ )  
40.         {  
41.             CvPoint center;  
42.             CvMat point_chunk;  
43.             center.x = cvRandInt(&rng)%img->width;  
44.             center.y = cvRandInt(&rng)%img->height;  
45.             /* 
46.             GetRow, GetRows 
47.             返回数组的一行或在一定跨度内的行 
48.             CvMat* cvGetRow( const CvArr* arr, CvMat* submat, int row ); 
49.             CvMat* cvGetRows( const CvArr* arr, CvMat* submat, int start_row, int end_row, int delta_row=1 ); 
50.             arr 
51.             输入数组。 
52.             submat 
53.             指向返回的子数组头的指针。 
54.             row 
55.             被选定行的索引下标，索引下标从0开始。 
56.             start_row 
57.             跨度的开始行（包括此行）索引下标，索引下标从0开始。 
58.             end_row 
59.             跨度的结束行（不包括此行）索引下标，索引下标从0开始。 
60.             delta_row 
61.             在跨度内的索引下标跨步，从开始行到结束行每隔delta_row行提取一行。 
62.             */  
63.             cvGetRows( points, &point_chunk, k*sample_count/cluster_count,  
64.                 k == cluster_count - 1 ? sample_count :  
65.                 (k+1)*sample_count/cluster_count, 1 );  
66.   
67.             /* 
68.             RandArr 
69.             用随机数填充数组并更新 RNG 状态 
70.             void cvRandArr( CvRNG* rng, CvArr* arr, int dist_type, CvScalar param1, CvScalar param2 ); 
71.             rng 
72.             被 cvRNG 初始化的 RNG 状态. 
73.             arr 
74.             输出数组 
75.             dist_type 
76.             分布类型: 
77.             CV_RAND_UNI - 均匀分布 
78.             CV_RAND_NORMAL - 正态分布 或者 高斯分布 
79.             param1 
80.             分布的第一个参数。如果是均匀分布它是随机数范围的闭下边界。如果是正态分布它是随机数的平均值。 
81.             param2 
82.             分布的第二个参数。如果是均匀分布它是随机数范围的开上边界。如果是正态分布它是随机数的标准差。 
83.             */  
84.             cvRandArr( &rng, &point_chunk, CV_RAND_NORMAL,  
85.                 cvScalar(center.x,center.y,0,0),  
86.                 cvScalar(img->width*0.1,img->height*0.1,0,0));  
87.         }  
88.   
89.         /** shuffle samples 即随机打乱样本*/   
90.         for( i = 0; i < sample_count/2; i++ )  
91.         {  
92.             CvPoint2D32f* pt1 = (CvPoint2D32f*)points->data.fl + cvRandInt(&rng)%sample_count;  
93.             CvPoint2D32f* pt2 = (CvPoint2D32f*)points->data.fl + cvRandInt(&rng)%sample_count;  
94.             CvPoint2D32f temp;  
95.             CV_SWAP( *pt1, *pt2, temp );  
96.         }  
97.   
98.         // 使用Kmeans聚类  
99.         /* 
100.         int cvKMeans2(const CvArr* samples, int nclusters, 
101.         　　　　　　　 CvArr* labels, CvTermCriteria termcrit, 
102.                 　　　　　　　 int attempts=1, CvRNG* rng=0,int flags=0,  
103.                         　　　　　　　 CvArr* centers=0,double* compactness=0); 
104.                                 由于除去已经确定的参数，我们自己需要输入的为： 
105.                                 void cvKMeans2(  
106.                                 　　const CvArr* samples, //输入样本的浮点矩阵，每个样本一行。  
107.                                   　　int cluster_count,  //所给定的聚类数目  
108.                                     　　* labels,    //输出整数向量：每个样本对应的类别标识  
109.                                       　　CvTermCriteria termcrit //指定聚类的最大迭代次数和／或精度（两次迭代引起的聚类中心的移动距离） 
110.                                         );  
111.         */  
112.         // 输出迭代数  
113.         printf( "iterations=%d\n", cvKMeans2( points, cluster_count, clusters,  
114.             cvTermCriteria( CV_TERMCRIT_EPS+CV_TERMCRIT_ITER, 10, 1.0 ),  
115.             5, 0, 0, 0, 0 ));  
116.         cvZero( img );  
117.   
118.         for( i = 0; i < sample_count; i++ ) // 依照样本所属的类别，以不同的颜色画出样本点  
119.         {  
120.             int cluster_idx = clusters->data.i[i];  
121.             ipt.x = (int)points->data.fl[i*2];  
122.             ipt.y = (int)points->data.fl[i*2+1];  
123.             cvCircle( img, ipt, 2, color_tab[cluster_idx], CV_FILLED, CV_AA, 0 );  
124.         }  
125.   
126.         cvReleaseMat( &points );  
127.         cvReleaseMat( &clusters );  
128.   
129.         cvShowImage( "clusters", img );  
130.   
131.         key = (char) cvWaitKey(0);  
132.         if( key == 27 || key == ‘q‘ || key == ‘Q‘ ) // ‘ESC‘  
133.             break;  
134.     }  
135.   
136.     cvDestroyWindow( "clusters" );  
137.     return 0;  
138. }  

效果如下：

转：http://blog.csdn.net/damotiansheng/article/details/40582211

【转】 聚类算法-Kmeans算法的简单实现

标签：targe   release   tor   efi   name   来源   des   下标   tab   

原文地址：http://www.cnblogs.com/eleclsc/p/6569059.html