前面我们学完KNN、SVM，两款都是有监督学习算法，需要提前准备带标签的训练数据才能完成分类任务。
但在实际图像处理中，很多场景没有任何标签、无需提前训练，只需要机器自动根据特征相似度完成分组。
这就必须掌握传统机器学习的另一大核心算法：K-Means（K均值聚类）。
作为最经典的无监督聚类算法，K-Means 在 OpenCV 图像处理中最常用、最落地的场景就是：图像颜色量化。
简单说就是：用少量代表性颜色替代原图海量色彩，实现图像压缩、卡通化、色彩降噪。
今天带大家从零吃透 K-Means 原理、迭代逻辑、OpenCV 原生接口、参数详解，手把手实现多档位颜色量化实战，零基础直接落地！
一、什么是 K-Means 聚类？通俗大白话
K-Means全称 K均值聚类，是无监督机器学习算法的标杆，全程无需标签、无需人工标注，自动完成数据分组。
核心思想一句话：把相似的数据自动抱团，分成 K 组，组内相似度最高，组间差异最大。
对应到图像场景：
图片由无数像素组成，每个像素都有 BGR 三色数值（色彩特征），K-Means 会自动把颜色相近的像素归为一类，每一类用一个中心色替代。
这就是颜色量化的底层逻辑！
K-Means 四大迭代步骤（必懂）
•步骤1：初始化：随机选取 K 个聚类中心（代表K种核心颜色）
•步骤2：分配归类：计算所有像素与K个中心的欧式距离，就近归类
•步骤3：更新质心：重新计算每一类像素的色彩平均值，作为新聚类中心
•步骤4：迭代收敛：重复上述过程，直到质心不再变化或达到最大迭代次数
二、什么是图像颜色量化？
普通彩色图片色彩极其丰富，一张图可能包含上万种颜色，存在大量色彩冗余。
颜色量化：通过 K-Means 聚类，将原图海量色彩压缩为 K 种代表性颜色，在保留画面主体内容的前提下，大幅减少颜色数量。
落地价值：
•✅ 图像轻量化压缩，减小文件体积
•✅ 去除色彩噪点，画面更干净通透
•✅ 快速生成卡通、手绘、扁平风特效图
•✅ 简化色彩特征，辅助图像分割、目标检测预处理
三、OpenCV kmeans 核心函数参数详解
OpenCV 原生提供 cv2.kmeans()接口，无需手动实现迭代逻辑，开箱即用，参数适配图像处理场景。
pythoncv2.kmeans(data, K, bestLabels, criteria, attempts, flags) |
•data：输入数据，图像需转为(像素总数,3)浮点型数组（BGR三通道特征）
•K：聚类数量（最终保留的颜色数量），核心可调参数
•bestLabels：输出每个样本的聚类标签，默认填None
•criteria：迭代终止条件（最大迭代次数、精度阈值）
•attempts：重复聚类次数，多次运算取最优结果，避免局部最优解
•flags：质心初始化方式，默认KMEANS_RANDOM_CENTERS随机初始化
四、完整实战：K-Means 图像颜色量化（可直接运行）
实现原图色彩压缩，支持自定义K值，输出量化效果图，自带迭代优化、画质优化逻辑。
pythonimport cv2import numpy as np# 1、读取图像img = cv2.imread("test.jpg")h, w = img.shape[:2]# 2、数据预处理：重塑为(N,3)浮点型数据，适配K-Means输入# 每一行代表一个像素的BGR三个特征值data = img.reshape((-1, 3)).astype(np.float32)# 3、设置迭代终止条件# 满足最大迭代次数 或 精度达标，停止迭代criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 20, 0.1)# 4、K-Means聚类核心计算K = 8 # 保留8种核心颜色，可自行修改3/5/10/20compactness, labels, centers = cv2.kmeans(data,K,None,criteria,attempts=10,flags=cv2.KMEANS_RANDOM_CENTERS)# 5、还原图像：用聚类中心颜色替换所有像素centers = np.uint8(centers) # 转回图像整型数值result = centers[labels.flatten()]result = result.reshape((h, w, 3))# 6、展示与保存cv2.imshow("Original", img)cv2.imshow(f"KMeans Color Quantization K={K}", result)cv2.imwrite(f"quant_K{K}.jpg", result)cv2.waitKey(0)cv2.destroyAllWindows() |
五、K值调优实战指南（直接抄作业）
K值是颜色量化的唯一核心参数，不同取值对应不同效果：
•K=3~5：极致扁平卡通风、极简色彩、强艺术特效，适合海报、手绘风格生成
•K=6~10：平衡画质与压缩率，画面干净无噪，保留主体层次，日常预处理首选
•K=15~30：高还原量化，几乎接近原图，仅去除冗余杂色，适合图像降噪优化
核心规律：K值越小，色彩越简约、压缩率越高、艺术感越强；K值越大，色彩越接近原图。
六、K-Means 核心输出参数解读
•compactness（紧凑度）：所有像素到对应聚类中心的距离总和，数值越小，聚类效果越好
•labels（标签）：每个像素对应的聚类类别索引，用于匹配中心色
•centers（聚类中心）：K组BGR核心颜色值，就是量化后图像的全部色彩
七、K-Means 优缺点总结
✅ 优点
•无监督学习，无需标注数据，零训练成本
•算法轻量、速度快、适配所有尺寸图像
•完美实现图像色彩降噪、压缩、风格化处理
•逻辑简单、可控性强，仅需调K值即可适配不同场景
❌ 缺点
•K值需要人工设定，无法自动确定最优聚类数
•对初始质心敏感，偶尔出现局部最优解（可通过attempts优化）
•对色彩极其相近的细微纹理区分能力弱
八、新手高频避坑指南
•坑1：未转换浮点型数据K-Means 必须输入 float32 类型数据，整型图像直接运算会聚类失效
•坑2：数据维度错误图像必须重塑为(-1,3)，不能保留二维图像结构，否则参数不匹配
•坑3：K值随意设置K=1会整图变成单色，K值过大失去压缩意义，根据场景合理取值
•坑4：忽略迭代条件迭代次数过少，聚类不收敛，量化画面色彩断层、失真严重
•坑5：不做多次尝试单次聚类容易受随机质心影响，attempts设置10次以上，保证最优效果
九、全文总结
KNN、SVM 是做分类，K-Means 是做聚类，三者构成了 OpenCV 传统机器学习的完整闭环。
如果说有监督算法是“照着答案学习”，那 K-Means 就是“自主总结规律”。
图像颜色量化是K-Means最经典、最落地的CV实战场景，既能实现图像压缩、色彩降噪，又能快速生成卡通艺术特效，兼具实用性和趣味性。
熟练掌握 K 值调参、迭代优化逻辑，足以应对90%的图像色彩预处理、风格化处理项目！
❤️ 点赞+在看，后台回复关键词【KMeans】，领取多档位批量量化代码+自动最优K值筛选工具+卡通化特效完整工程！
关注本号，持续更新 OpenCV 传统机器学习全套实战干货！
评论区打卡：KMeans颜色量化，吃透无监督聚类图像实战！
10个月宝宝每天需要喝多少奶粉？
