Java 对图片像素进行K-means聚类
聚类是机器学习中很重要的一部分，是一种无监督学习，本次选择K-means算法对图片的像素进行聚类
K-means，顾名思义，K-均值，首先随机地选择k个对象，每个对象初始地代表了一个簇的平均值或中心。对剩余的每个对象根据其与各个簇中心的距离，将它赋给最近的簇，然后重新计算每个簇的平均值。这个过程不断重复，直到每个簇的中心确定不变。
首先关注一下空间中每个点如何计算，普遍采用欧式距离，对于空间中两个点来说便是计算两个向量的欧式距离：
通过每次计算每个点与中心点的距离，来确定每次K个类的中心，然后不断迭代直到K个中心不再变化为止。
算法的优缺点还是比较多的，主要算法太经典太了，想知道更具体的请看Wiki上的解释把。
接下来是实验部分了，实验主要对图片的像素聚类：
对一张图片的像素点进行聚类，每个像素点是一个五维样本(x,y,r,g,b)进行聚类，其中x,y代表像素的位置，r,g,b分别代表个每个像素的图像特征RGB值。
算法步骤：
1随机初始K个初始点作为聚类中心
2对图像中每一个点计算与每个聚类中心的距离，选择距离最小的聚类中心作为相同的类
3对所有点一次聚类结束后，求其中心点作为新的聚类中心
4重复2-3过程直到聚类中心不再发生变化为止。
实验用Java语言实现，K从1-10，20，50，100，200，500，分别做了实验，
先来原图：（女神）
之后来聚类的图
先来1-9的：其中1-3效果比较差，从5-10效果就好多了：
从上面看到效果逐渐变化的过程，明显发现K从4开始效果就已经很明显了，而且迭代时间也很短，图片大小也比之前小了很多，为了好玩·~~，又聚了20，50，100，200
怎么样，女神已经很美丽了把~~~时间上呢，聚到50还是非常快的，100就比较慢了，200就不知道聚了多久了（期间去吃饭了）~效果上呢：也没太大差距了。
对于存储呢：文件大小比之前小了好多：
针对此次实验，还是有很多可以拓展的地方，比如图片压缩，例如20-means的效果已经很逼真的情况下，一个图片可以只存下20个图片像素和其他位置所属的类，即可大大减小存储空间，比如在web响应中，对于大图的显示速度，可以以小图代替，这样变在响应时间内给浏览者一个好的印象把~~~~