emgucv求质心 质心如何求

Centroids

首先将明确什么是 centroid 质心 ，如果理解可以直接跳到第二部分。

质心(centroid) ，即质量中心的简称，在物质系统中，被认为是质量集中于此的一个假想点。

举一个简单的案例：如何求三角形的质心？

求三角形的质心，首先先找到每个边的中点，即

$l_{AB}$

，

$l_{BC}$

，

$l_{AC}$

---

K-means Clustering

首先，明确 K-means算法 属于机器学习中非监督学习的聚类算法。所以数据集中不会包含任何 标记Label 信息，而是需要按照算法将元素进行分类。

K-means Algorithm 案例

为了理解 K-means 在干啥，举例如下：

目标：坐标系中有30个点，我们想将这30个点分为两类。

首先，我们在坐标中任意取两个点 A，B 作为质心 Centroids。

然后，这30个点根据每个点与 A B 的距离进行判断，距离哪个近就归属于哪个部分。

根据距离的判断，我们将这30个点分成了两个部分

然后我们分别计算红色范围内的质心，以及蓝色范围内的质心。更新红色质心和蓝色质心的位置。

、

然后删除圆圈，计算这更新后的两个质心距离所有点距离的远近，然后再次按照远近重新界定范围值。

重复步骤，再次计算当前两个圈内所有点的质心，然后更新这两个质心的位置到新的位置。

然后再次测量当前两个质点距离所有30个点的距离，然后按照远近再次分类：

然后再次计算圈内所有点的质心，更新 $x$ 与 $y$

再次测量两个质心距离所有30个点分别的距离的时候，发现没有变化，则 K-means 结束，完成任务。

---

K-means 步骤

步骤一： 根据题目要求分为两个部分，则在坐标系中随意找到两个点。
步骤二： 计算距离，进行分类：
将每个点与 质心A 连线，求其距离，记为 $a_{dis} = [a_1, a_2, a_3, ... , a_{30}]$；
将每个点与 质心B 连线，求其距离，记为 $b_{dis} = [b_1, b_2, b_3, ... , b_{30}]$
对于每个点，判断距离哪个质心近，则分配给哪个质心，完成分类。
步骤三： 将分好类的点计算其质心，然后将之前的两个质心分别移动到新的质心的位置上。
步骤四： 重复步骤二，然后执行步骤三，直到执行步骤二时发现所有点的分配没有发生变化，则结束。

---

在 【ML31】Advanced K-means 中，将详细阐述 K-means 算法 的详细内容，包含如何选择k值以及python程序实现。