在影象分割中，使用 kmeans 演算法可以實現影象區域基本分割。如果一幅影象被分為兩類，kmeans 分割效果與 ostu 演算法基本一致，具體如下圖：

kmeans 將影象灰度聚類為 k 類，ostu 將影象灰度分割為 2 類，當 k = 2 時，兩種演算法最終目的基本趨於一致。

kmeans 演算法基本思路如下：

1）隨機選取第一個聚類中心點，之後的聚類中心點選取有兩種方法；

a. 隨機選取其他 k - 1 個聚類中心點；

b. 根據已經選取的聚類中心點，計算所有點到已經選取的聚類中心點的距離，選擇到所有已經選取的聚類中心點的最遠點作為下一個聚類中心點；

2）根據點到已經選取的聚類中心點的距離對其進行分類；

3）重新求各個分類的聚類中心點，然後回到 2）；

4）當不再滿足迭代條件時給出最終聚類結果，迭代條件包括：

a. 聚類中心點在迭代過程中的偏移量；

b. 迭代次數；

對於聚類中心點的選擇，一般情況下，方法 b 會得到更好的聚類，且迭代速度較快。

opencv 提供的 kmean 函式為：

double kmeans( InputArray data, int K, InputOutputArray bestLabels,TermCriteria criteria, int attempts,

int flags, OutputArray centers=noArray() );

引數如下：

data: 待分類點矩陣，其型別必須為CV_32F；

K，bestLabels: 聚類數與待分類點所屬分類；

criteria：停止條件；

attempts：使用不同的隨機聚類中心點嘗試聚類次數；

flags：聚類中心點選擇方案，包括完全隨機選擇，kmeans++選擇方案（b），使用者輸入；

centers：最終聚類中心點；

以下給出 kmeans 演算法使用程式碼：

 1 void UseKmeans(cv::Mat& src, cv::Mat& rst)
 2 {
 3     int width = src.cols;
 
 4     int height = src.rows;
 5     int dims = src.channels();
 6     int sampleCount = width * height;
 7 
 8     int clusterCount = 2;
 9     Mat points(sampleCount, dims, CV_32F, Scalar(10));
10     cv::Mat pos(sampleCount, 2, CV_16S, Scalar(0, 0));
11     Mat labels;
12     Mat centers(clusterCount, 1, points.type());
13 
14     // invert to data points
15     int index = 0;
16     for (int row = 0; row < height; row++) {
17         for (int col = 0; col < width; col++) {
18             points.at<float>(index, 0) = static_cast<int>(src.ptr<uchar>(row)[col]);
19             pos.at<short>(index, 0) = static_cast<short>(row);
20             pos.at<short>(index, 1) = static_cast<int>(col);
21             ++index;
22         }
23     }
24 
25     // k-mean algorithm
26     TermCriteria criteria = TermCriteria(CV_TERMCRIT_EPS + CV_TERMCRIT_ITER, 100, 1.0);
27     kmeans(points, clusterCount, labels, criteria, 3, KMEANS_PP_CENTERS, centers);
28 
29     int bright_val = -1;
30     for (int i = 0; i < centers.rows; ++i)
31     {
32         int val = centers.at<float>(i, 0);
33         if (val > bright_val)
34             bright_val = val;
35     }
36 
37     int bright_label = -1;
38     for (int idx = 0; idx < sampleCount; ++idx)
39     {
40         float *datapoint = points.ptr<float>(idx);
41         int *datalabel = labels.ptr<int>(idx);
42         if (datapoint[0] >= bright_val)
43         {
44             bright_label = datalabel[0];
45             break;
46         }
47     }
48 
49     // save result
50     rst.create(src.size(), CV_8UC1);
51     rst.rowRange(0, rst.rows) = 0;
52     for (int idx = 0; idx < sampleCount; ++idx)
53     {
54         int *datalabel = labels.ptr<int>(idx);
55         if (datalabel[0] == bright_label)
56         {
57             int row = pos.at<short>(idx, 0);
58             int col = pos.at<short>(idx, 1);
59             rst.ptr<uchar>(row)[col] = 255;
60         }
61     }
62 }