Kmeans是最简单的聚类算法之一，应用十分广泛，Kmeans以距离作为相似性的评价指标，其基本思想是按照距离将样本聚成不同的簇，两个点的距离越近，其相似度就越大，以得到紧凑且独立的簇作为聚类目标。本文参考PRML一书，详细讲解Kmeans聚类的原理以及图像分割应用。

1. 基本原理

　　给定 D 维欧几里得空间的一组数据 {x1,...,xN} ，我们的任务是将该组数据聚成 K 个簇（聚类和分类的区别在于分类是有监督的，聚类是无监督的，根据任务设定聚类依据，此处假设聚类个数K是已知的）。不考虑问题背景，单纯从欧几里得空间的角度讲，我们应当将距离较近的点聚为一个簇，不同簇的点之间的距离较远。Kmeans聚类方法就是寻找 K 个聚类中心 μk(k=1,...,K) ，将所有的数据分配到距离最近的聚类中心，使得每个点与其相应的聚类中心距离的平方和最小。
　　我们引入二值变量 rnk∈{0,1} 来表示数据点 xn 对于聚类 k 的归属（其中 n=1,...,N , k=1,...,K ），如果数据点 xn 属于第 k 聚类，则 rnk=1 ，否则为 0 。如此，我们便可定义如下损失函数：

J=∑n=1N∑k=1Krnk∥∥xn−μk∥∥2(1)

该问题的目标就是寻找使得损失函数

J 最小的所有数据点的归属值

{rnk} 和聚类中心

{μk} 。Kmeans算法提供了一种迭代求解方法，在每次迭代中交替优化

rnk 和

μk 。

　　第一步，随机选择聚类中心

μk 的初始值，求取使损失函数

J 最小的数据点的归属值

rnk 。由

(1) 式容易看出，给定

xn 和

μk 的值，损失函数

J 是

rnk 的线性函数，而且，由于

xn 之间是相互独立的，所以对于每一个

n ，我们只需将该点分配到距离最近的聚类中心，即

rnk={10if k=argminj∥∥xn−μj∥∥2otherwise(2) 　　第二步，固定已求得的

rnk ，再求取使损失函数

J 最小的聚类中心

μk 。给定

rnk 的值，损失函数

J 是

μk 的二次函数，令

J 对

μk 的导数为

0 ，我们有

∑n=1Nrnk(xn−μk)=0(3)

那么

μk 的取值为

μk=∑nrnkxn∑nrnk(4) 对于第

k 个聚类，

rnk 取1的个数就是属于该聚类的点的个数，因此，

μk 等于属于该聚类的点均值。

　如此迭代该两阶段优化问题直至收敛,Kmeans的实现过程大致表示如下：

(1) 随机选取K个初始聚类中心；

(2) 计算每个样本到各聚类中心的距离，将每个样本归到其距离最近的聚类中心；

(3) 对每个簇，以所有样本的均值作为该簇新的聚类中心；

(4) 重复第(2)~(3)步,直到聚类中心不再变化或达到设定的迭代次数。

　　图1为Kmeans算法的实现过程图示，以二聚类为例，首先随机选择两个聚类中心，根据距离将所有的点聚为两个簇（如图1(2)），然后将两个簇以其均值作为新的聚类中心重新聚类。如此迭代，由图可知，经过4次循环，聚类中心不再变化，便完成对该组数据的聚类。由图1(1)可知，初始聚类中心选在了一个簇中，事实上，如果初始聚类中心选择合适，Kmeans聚类收敛速度会非常快，极端情况是，聚类中心恰巧选在了每个簇的中心，无需迭代该聚类问题就已经完成。

图1 Kmeans聚类过程图示

2. 图像分割应用

　　彩色图像中的每一个像素是三维空间中的一个点，三维对应红、绿、蓝三原色的强度，基于Kmeans聚类算法的图像分割以图像的像素为数据点，按照指定的簇数进行聚类，然后将每个像素点以其对应的聚类中心替代，重构该图像。如图2所示，不同的聚类簇数呈现不同的色彩特征。

图2 Kmeans用于图像分割

3. Kmeans聚类的缺点

　　1) 聚类簇数K没有明确的选取准则，但是在实际应用中K一般不会设置很大，可以通过枚举法，比如令K从2到10。其实很多经典方法的参数都没有明确的选取准则，如PCA的主元个数，可以通过多次实验或者采取一些小技巧来选择，一般都会达到很好的效果。
　　2) 从Kmeans算法框架可以看出，该算法的每一次迭代都要遍历所有样本，计算每个样本到所有聚类中心的距离，因此当样本规模非常大时，算法的时间开销是非常大的。
　　3) Kmeans算法是基于距离的划分方法，只适用于分布为凸形的数据集，不适合聚类非凸形状的类簇，如图3所示。

图3 Kmeans聚类的缺点