当前位置： 首页 > news >正文

OpenCV 形态学操作详解：腐蚀、膨胀与开闭运算

news 2025/8/22 7:53:14

OpenCV 形态学操作详解：腐蚀、膨胀与开闭运算

在图像处理领域，形态学操作（Morphological Operations）是一组基于形状对图像进行处理的经典方法。它以集合论为数学基础，通过设计特定的 “结构元素”（Structuring Element）与图像进行交互，实现对图像中目标形状的调整、噪声去除、特征提取等功能。

在 OpenCV 中，腐蚀（Erosion）、膨胀（Dilation）是形态学操作的基础，而开运算（Opening）、闭运算（Closing）则是两者的组合应用。本文将从原理到实践，详细解析这四种操作的核心概念、实现逻辑、参数影响及实际应用，帮助读者深入掌握形态学操作的精髓。

一、形态学操作的基础：集合论与结构元素

在深入讲解具体操作前，我们需要先理解形态学操作的底层逻辑 ——集合论与结构元素。这两个概念是理解所有形态学操作的前提。

1.1 图像的集合表示

在形态学中，图像被视为一个 “集合”：

  • 对于二值图像（只有黑白两种像素），假设前景目标（如物体、文字）的像素值为 1（白色），背景为 0（黑色），则图像可表示为前景像素的集合A，即\(A = \{ (x,y) | 像素(x,y)为前景 \}\)。
  • 对于灰度图像，每个像素的灰度值可视为集合中元素的 “高度”，操作逻辑类似但更复杂，本文以二值图像为例展开（大部分形态学操作的核心场景是二值图像）。

形态学操作的本质，就是通过结构元素与图像集合的 “交互”（如平移、交并运算），实现对集合形状的修改。

1.2 结构元素：形态学操作的 “工具”

结构元素（Structuring Element，简称 SE）是形态学操作的核心工具，它是一个预先定义的小集合（通常是规则的形状，如矩形、十字形、椭圆形），用于 “探测” 或 “修改” 图像中的目标。

结构元素的关键属性：

  • 形状：常见的有矩形（MORPH_RECT）、十字形（MORPH_CROSS）、椭圆形（MORPH_ELLIPSE），需根据目标形状选择（如检测直线用十字形，处理圆形物体用椭圆形）。
  • 大小：通常用\(m \times n\)的矩阵表示（m、n为奇数，方便定义中心），大小直接影响操作强度（如 3x3 的 SE 比 5x5 的 SE 处理更 “精细”）。
  • 原点：结构元素的中心像素（或参考点），用于定位 SE 在图像上的位置。

例如，一个 3x3 的矩形结构元素可表示为：

plaintext

1 1 1
1 1 1
1 1 1

其中 “1” 表示 SE 的有效区域，原点为中心的 (2,2) 位置（索引从 1 开始）。

1.3 核心交互：平移与击中

形态学操作中，结构元素与图像的核心交互是平移（Translation）与击中（Hit）：

  • 平移：将 SE 的原点移动到图像的每个像素\((x,y)\)处，得到平移后的 SE 集合\(S_{(x,y)} = \{ (x+i, y+j) | (i,j) \in S \}\)，其中S是原始 SE。
  • 击中：若平移后的 SE 与图像集合A满足某种关系（如完全包含、有交集），则认为 SE 在\((x,y)\)处 “击中”，进而决定该位置的像素是否保留或修改。

后续的腐蚀、膨胀、开闭运算，本质都是基于上述交互定义的不同规则。

二、基础操作：腐蚀与膨胀

腐蚀和膨胀是形态学操作的 “原子操作”，所有复杂形态学操作（如开闭运算、梯度、顶帽变换）都基于这两者组合而成。

2.1 腐蚀（Erosion）：“收缩” 目标区域

腐蚀的作用是 “收缩” 图像中的前景目标，消除目标边缘的细小凸起、分离相邻目标、去除小的噪点。

2.1.1 腐蚀的定义与数学表达

腐蚀的数学定义：设图像集合为A，结构元素为S，则A被S腐蚀的结果\(A \ominus S\)（符号 “\(\ominus\)” 表示腐蚀）是所有满足 “平移后的S完全包含于A” 的像素集合，即： \(A \ominus S = \{ (x,y) | S_{(x,y)} \subseteq A \}\)

通俗理解：将 SE 在图像上滑动，若 SE 覆盖的区域内所有像素都是前景（属于A），则 SE 的原点位置保留为前景；否则变为背景。

2.1.2 腐蚀的执行步骤（以二值图像为例）
  1. 定义结构元素S（如 3x3 矩形），确定其原点。
  2. 将 SE 的原点依次对准图像的每个像素\((x,y)\)。
  3. 检查 SE 覆盖的所有像素是否均为前景（值为 1）：
    • 是：则\((x,y)\)保留为前景（1）。
    • 否：则\((x,y)\)变为背景（0）。
  4. 遍历完所有像素后，得到腐蚀后的图像。
2.1.3 腐蚀的效果可视化

假设有一个包含噪点的二值图像（左图），其中白色为前景，黑色为背景，小的白色点为噪点：

  • 原始图像：一个大矩形（目标）+ 几个孤立的小点（噪点）。
  • 腐蚀后（右图）：大矩形边缘被 “削薄”，孤立的噪点（小于 SE 大小）被完全消除，因为噪点无法完全包含 SE。

关键点：腐蚀对 “细小” 的前景区域（如噪点、细长的连接）效果显著，适合去除小噪声或分离粘连的目标。

2.1.4 结构元素与迭代次数对腐蚀的影响

  • 结构元素形状：

    • 矩形 SE：均匀腐蚀所有方向的边缘。
    • 十字形 SE：主要腐蚀水平和垂直方向的边缘，对对角线方向影响小。
    • 椭圆形 SE：腐蚀效果更平滑，适合处理曲线目标。

  • 结构元素大小：SE 越大，腐蚀强度越强（目标收缩越明显）。例如 5x5 的 SE 比 3x3 的 SE 腐蚀后目标更小。

  • 迭代次数（iterations）：多次腐蚀相当于用更大的 SE 进行一次腐蚀。例如，用 3x3 SE 迭代 2 次，效果近似于用 5x5 SE 迭代 1 次（但不完全相同，边缘细节有差异）。

2.2 膨胀（Dilation）：“扩张” 目标区域

膨胀与腐蚀相反，它的作用是 “扩张” 图像中的前景目标，填充目标边缘的细小凹陷、连接断裂的目标、填补小的孔洞。

2.2.1 膨胀的定义与数学表达

膨胀的数学定义：设图像集合为A，结构元素为S，则A被S膨胀的结果\(A \oplus S\)（符号 “\(\oplus\)” 表示膨胀）是所有满足 “平移后的S与A有交集” 的像素集合，即： \(A \oplus S = \{ (x,y) | S_{(x,y)} \cap A \neq \emptyset \}\)

通俗理解：将 SE 在图像上滑动，若 SE 覆盖的区域内至少有一个像素是前景（属于A），则 SE 的原点位置保留为前景；否则变为背景。

2.2.2 膨胀的执行步骤（以二值图像为例）
  1. 定义结构元素S（如 3x3 矩形），确定其原点。
  2. 将 SE 的原点依次对准图像的每个像素\((x,y)\)。
  3. 检查 SE 覆盖的所有像素中是否至少有一个为前景（值为 1）：
    • 是：则\((x,y)\)保留为前景（1）。
    • 否：则\((x,y)\)变为背景（0）。
  4. 遍历完所有像素后，得到膨胀后的图像。
2.2.3 膨胀的效果可视化

以一个有断裂和孔洞的二值图像（左图）为例：

  • 原始图像：一个边缘有凹陷、内部有小孔洞的矩形，且有一处断裂。
  • 膨胀后（右图）：矩形边缘的凹陷被填充，内部孔洞缩小，断裂处被连接，整体目标区域扩大。

关键点：膨胀适合修复目标的 “不完整” 部分（如断裂、凹陷），但会使目标变大，可能导致相邻目标粘连。

2.2.4 结构元素与迭代次数对膨胀的影响

与腐蚀类似，膨胀的效果同样受 SE 形状、大小和迭代次数影响：

  • SE 形状：十字形 SE 对水平 / 垂直方向的扩张更明显，矩形 SE 则均匀扩张。
  • SE 大小：SE 越大，扩张强度越强（目标变大越明显）。
  • 迭代次数：多次膨胀相当于用更大的 SE，例如 3x3 SE 迭代 2 次，效果近似于 5x5 SE 迭代 1 次。

2.3 腐蚀与膨胀的对比

操作核心逻辑对前景的影响典型应用场景
腐蚀完全包含则保留收缩、边缘变锐去噪、分离粘连目标
膨胀有交集则保留扩张、边缘变钝填补孔洞、连接断裂目标

注意：腐蚀和膨胀是 “互补” 操作，但不是 “逆操作”。对同一图像先腐蚀后膨胀，不等于原始图像（这是开运算的逻辑）。

三、组合操作：开运算与闭运算

开运算和闭运算是基于腐蚀和膨胀的组合操作，它们解决了单一腐蚀 / 膨胀的局限性（如腐蚀去噪但会收缩目标，膨胀填洞但会扩大目标）。

3.1 开运算（Opening）：先腐蚀后膨胀

开运算的定义是 “先腐蚀，后膨胀”，即： \(A \circ S = (A \ominus S) \oplus S\) 其中 “\(\circ\)” 表示开运算，S为结构元素。

3.1.1 开运算的作用

开运算的核心作用是：去除小于结构元素的前景噪点，同时尽可能保留目标的原始形状和大小。

原理：

  1. 第一步腐蚀：去除小噪点（小前景），但会收缩目标。
  2. 第二步膨胀：将腐蚀收缩的目标恢复到接近原始大小，但已被去除的噪点不会再出现。
3.1.2 效果可视化

假设有一个包含多个小噪点的目标图像：

  • 原始图像：大目标 + 多个小噪点（小于 SE）。
  • 腐蚀后：小噪点被去除，大目标收缩。
  • 膨胀后（开运算结果）：大目标恢复到接近原始大小，小噪点未恢复，整体更干净。
3.1.3 其他特性
  • 开运算具有 “单调性”：若\(A \subseteq B\)，则\(A \circ S \subseteq B \circ S\)（处理后的集合仍保持包含关系）。
  • 开运算具有 “幂等性”：对同一图像多次执行开运算，结果与一次执行相同（\(A \circ S \circ S = A \circ S\)）。

3.2 闭运算（Closing）：先膨胀后腐蚀

闭运算的定义是 “先膨胀，后腐蚀”，即： \(A \bullet S = (A \oplus S) \ominus S\) 其中 “\(\bullet\)” 表示闭运算，S为结构元素。

3.2.1 闭运算的作用

闭运算的核心作用是：填充目标内部小于结构元素的孔洞，同时尽可能保留目标的原始形状和大小。

原理：

  1. 第一步膨胀：填充小孔洞（小背景），但会扩大目标。
  2. 第二步腐蚀：将膨胀扩大的目标恢复到接近原始大小，但已被填充的孔洞不会再出现。
3.2.2 效果可视化

假设有一个内部有小孔洞的目标图像：

  • 原始图像：大目标 + 内部小孔洞（小于 SE）。
  • 膨胀后：小孔洞被填充，大目标扩大。
  • 腐蚀后（闭运算结果）：大目标恢复到接近原始大小，小孔洞未恢复，目标内部更完整。
3.2.3 其他特性
  • 闭运算同样具有单调性和幂等性（与开运算类似）。
  • 开运算和闭运算不是逆操作，但存在对偶性：\((A \circ S)^c = A^c \bullet S^c\)（\(A^c\)为A的补集），即开运算的补集等于补集的闭运算。

3.3 开运算与闭运算的对比

操作操作流程核心作用典型应用场景
开运算腐蚀 → 膨胀去小噪点，保留目标形状预处理去噪、分离重叠目标
闭运算膨胀 → 腐蚀填小孔洞，保留目标形状修复目标断裂、填充内部空隙

总结：开运算 “对外” 清理（去除外部小噪点），闭运算 “对内” 修复（填充内部小孔洞）。

四、OpenCV 中的形态学操作实现

OpenCV 提供了简洁的 API 实现上述操作，核心函数包括cv2.erode()、cv2.dilate()、cv2.morphologyEx()。下面详细介绍这些函数的用法及参数。

4.1 准备工作：环境与图像

在开始前，需确保已安装 OpenCV（pip install opencv-python），并准备一张二值图像（可通过阈值化处理灰度图得到）。

示例图像预处理代码：

python

import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取图像（默认BGR格式）
img = cv2.imread('test.png')
# 转为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 阈值化得到二值图（大于127的为255，否则为0）
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 显示原图与二值图
plt.subplot(121), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title('原图')
plt.subplot(122), plt.imshow(binary, cmap='gray'), plt.title('二值图')
plt.show()

4.2 腐蚀操作：cv2.erode()

函数原型：

python

cv2.erode(src, kernel, iterations=1)

参数说明：

  • src：输入图像（通常为二值图，通道数不限）。
  • kernel：结构元素（需用cv2.getStructuringElement()创建）。
  • iterations：迭代次数（默认 1，次数越多腐蚀越强）。

返回值：腐蚀后的图像。

4.3 膨胀操作：cv2.dilate()

函数原型：

python

cv2.dilate(src, kernel, iterations=1)

参数与cv2.erode()完全一致，返回膨胀后的图像。

4.4 开运算与闭运算：cv2.morphologyEx()

cv2.morphologyEx()是形态学操作的通用函数，可通过op参数指定具体操作，支持开运算、闭运算、形态学梯度等。

函数原型：

python

cv2.morphologyEx(src, op, kernel, iterations=1)

参数说明：

  • src：输入图像。
  • op：操作类型，开运算为cv2.MORPH_OPEN，闭运算为cv2.MORPH_CLOSE。
  • kernel：结构元素。
  • iterations：迭代次数。

返回值：对应形态学操作后的图像。

4.5 结构元素创建：cv2.getStructuringElement()

创建结构元素的函数：

python

cv2.getStructuringElement(shape, ksize)

参数：

  • shape：形状，cv2.MORPH_RECT（矩形）、cv2.MORPH_CROSS（十字形）、cv2.MORPH_ELLIPSE（椭圆形）。
  • ksize：大小，如(3,3)、(5,5)（建议为奇数）。

示例：创建 3x3 的矩形 SE：

python

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))

4.6 完整代码示例：四种操作对比

下面通过代码实现腐蚀、膨胀、开运算、闭运算，并对比效果：

python

import cv2
import numpy as np
import matplotlib.pyplot as plt# 读取并预处理图像
img = cv2.imread('binary_image.png')  # 假设为二值图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 创建结构元素（3x3矩形）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))# 执行四种操作
eroded = cv2.erode(binary, kernel, iterations=1)
dilated = cv2.dilate(binary, kernel, iterations=1)
opened = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=1)
closed = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel, iterations=1)# 显示结果
plt.figure(figsize=(12, 8))
plt.subplot(231), plt.imshow(binary, cmap='gray'), plt.title('原始二值图')
plt.subplot(232), plt.imshow(eroded, cmap='gray'), plt.title('腐蚀')
plt.subplot(233), plt.imshow(dilated, cmap='gray'), plt.title('膨胀')
plt.subplot(234), plt.imshow(opened, cmap='gray'), plt.title('开运算')
plt.subplot(235), plt.imshow(closed, cmap='gray'), plt.title('闭运算')
plt.tight_layout()
plt.show()

代码说明：

  • 若原始图像噪声较多，开运算（opened）会比腐蚀（eroded）更接近原始目标大小。
  • 若原始图像有孔洞，闭运算（closed）会比膨胀（dilated）更接近原始目标大小。

五、实际应用场景与案例分析

形态学操作在计算机视觉中应用广泛，以下是几个典型场景及具体实现思路。

5.1 噪声去除：开运算的经典应用

问题：二值图像中存在大量小于目标的随机噪点（如摄像头传感器噪声），影响后续目标检测。

解决方案：用开运算去除噪点，步骤如下：

  1. 选择比噪点大、比目标小的结构元素（如噪点为 1x1 像素，用 3x3 SE）。
  2. 执行开运算：先腐蚀去除噪点，再膨胀恢复目标。

代码示例：

python

# 假设noisy_img为含噪二值图
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
denoised = cv2.morphologyEx(noisy_img, cv2.MORPH_OPEN, kernel)

效果：噪点被完全去除，目标形状基本保留。

5.2 目标分割：分离粘连物体

问题：多个目标在图像中粘连（如细胞图像中重叠的细胞），难以单独计数或分析。

解决方案：用开运算分离粘连，原理是粘连处通常较 “细”，可被腐蚀断开，再通过膨胀恢复目标。

代码示例：

python

# 假设粘连目标图像为adherent_img
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (5,5))  # 十字形适合分离线性粘连
separated = cv2.morphologyEx(adherent_img, cv2.MORPH_OPEN, kernel, iterations=2)  # 多次迭代增强效果

关键点：选择与粘连方向匹配的 SE（如水平粘连用水平十字形）。

5.3 孔洞填充：闭运算修复目标

问题：目标内部存在小孔洞（如印刷文字中的断点、工业零件表面的小凹陷），影响特征提取。

解决方案：用闭运算填充孔洞，步骤如下：

  1. 选择比孔洞大的 SE（如孔洞为 2x2 像素，用 3x3 SE）。
  2. 执行闭运算：先膨胀填充孔洞，再腐蚀恢复目标大小。

代码示例：

python

# 假设holed_img为含孔洞的目标图像
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))  # 椭圆形适合填充不规则孔洞
filled = cv2.morphologyEx(holed_img, cv2.MORPH_CLOSE, kernel)

效果：孔洞被填充，目标边缘更完整。

5.4 文本识别预处理：提取清晰字符

问题：扫描的文本图像中存在字符断裂、背景噪点，导致 OCR 识别率低。

解决方案：组合开运算和闭运算：

  1. 开运算去除背景噪点。
  2. 闭运算连接字符断裂部分。

代码示例：

python

# 假设text_img为含噪和断裂的文本二值图
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))  # 小SE避免过度处理
step1 = cv2.morphologyEx(text_img, cv2.MORPH_OPEN, kernel)  # 去噪
step2 = cv2.morphologyEx(step1, cv2.MORPH_CLOSE, kernel)  # 连接断裂

效果：文本字符更清晰，OCR 识别率显著提升。

5.5 边缘提取：形态学梯度

拓展应用：形态学梯度（Morphological Gradient）是膨胀与腐蚀的差，可用于提取目标边缘： \(Gradient(A) = (A \oplus S) - (A \ominus S)\)

在 OpenCV 中用cv2.MORPH_GRADIENT实现：

python

gradient = cv2.morphologyEx(binary, cv2.MORPH_GRADIENT, kernel)

效果：提取的边缘比传统边缘检测（如 Canny）更清晰，对噪声更鲁棒。

六、进阶技巧与注意事项

要充分发挥形态学操作的效果，需掌握以下进阶技巧和注意事项。

6.1 结构元素的自适应选择

结构元素的设计是形态学操作的关键，需根据目标特性调整：

  • 目标形状：圆形目标用椭圆形 SE，直线目标用十字形 SE。
  • 噪声 / 孔洞大小：SE 大小应略大于噪声 / 孔洞（如噪声为 3x3，用 5x5 SE）。
  • 方向敏感性：处理水平纹理用水平矩形 SE（如 1x5），垂直纹理用垂直矩形 SE（如 5x1）。

6.2 多步组合操作

复杂场景需组合多种形态学操作，例如：

  1. 先开运算去噪 → 再闭运算填洞 → 最后形态学梯度提取边缘。
  2. 多次迭代不同大小的 SE：先用小 SE 精细处理，再用大 SE 全局调整。

6.3 灰度图与彩色图的处理

  • 灰度图：形态学操作可直接应用（像素值视为灰度级），腐蚀会降低灰度（变暗），膨胀会提高灰度（变亮）。
  • 彩色图：需分通道处理（BGR 三个通道分别操作），再合并通道，避免颜色失真。

示例（彩色图开运算）：

python

b, g, r = cv2.split(color_img)
b_opened = cv2.morphologyEx(b, cv2.MORPH_OPEN, kernel)
g_opened = cv2.morphologyEx(g, cv2.MORPH_OPEN, kernel)
r_opened = cv2.morphologyEx(r, cv2.MORPH_OPEN, kernel)
result = cv2.merge([b_opened, g_opened, r_opened])

6.4 避免过度处理

  • 迭代次数并非越多越好：过多迭代会导致目标严重变形（如腐蚀过度使目标消失，膨胀过度使目标融合）。
  • 优先用小 SE 多次迭代，而非大 SE 单次迭代：小 SE 能保留更多细节。

6.5 与其他操作的结合

形态学操作通常作为预处理步骤，需与其他技术结合：

  • 与阈值化结合：先阈值化得到二值图，再形态学处理。
  • 与轮廓检测结合：形态学处理后用cv2.findContours()提取目标轮廓。
  • 与深度学习结合：作为神经网络输入的预处理，减少噪声对模型的干扰。

七、总结

形态学操作是图像处理的基础工具，其中腐蚀、膨胀是核心，开运算、闭运算是经典组合。它们通过结构元素与图像的交互，实现了目标的收缩、扩张、去噪、填洞等功能，在计算机视觉的各个领域（如目标检测、OCR、医学影像）都有不可替代的作用。

掌握形态学操作的关键在于：

  1. 理解其数学原理（集合论交互规则）。
  2. 熟悉 OpenCV 的 API 使用（erode、dilate、morphologyEx）。
  3. 根据具体问题设计合适的结构元素和操作流程。

通过本文的学习，相信读者已能熟练应用这些操作解决实际问题。形态学操作的魅力在于其简洁性与有效性，后续可进一步探索顶帽变换、底帽变换等高级形态学操作，拓展图像处理能力。

http://www.dtcms.com/a/342539.html

相关文章：

  • Chrome/360 浏览器 WebUI 资源底层机制解析：共享资源与专属资源的奥秘
  • 一、部署LNMP
  • mac的m3芯片安装JDK8、JDK17
  • 【CDA干货】金融App产品AB测试与指标体系搭建
  • 数据结构之排序大全（3）
  • 31、工业网络异常行为检测与OT协议深度分析 (核电站DCS模拟) - /安全与维护组件/network-anomaly-detection-nuclear
  • “码” 上安全：轻量级加密的硬件实现与侧信道攻击防御
  • Java实现一个简单的LRU缓存对象
  • 【SpringBoot】16 核心功能 - Web开发原理 - 请求参数 - 源码分析
  • WindowsAPI|每天了解几个winAPI接口之网络配置相关文档Iphlpapi.h详细分析七
  • 如何快速上手【Spring AOP】？从动态代理到源码剖析（下篇）
  • CTFshow系列——命令执行web41-44
  • YOLOv8 原理与跨领域应用全景分析
  • CVPR | 2025 | MAP：通过掩码自回归预训练释放混合 Mamba - Transformer 视觉骨干网络的潜力
  • 【C++】仿函数和回调函数
  • Python数值取整完全指南：从基础到金融工程实践
  • uniapp实现分页，效果如图
  • 自然语言处理——04 注意力机制
  • npm全局安装后，cmd命令行可以访问，vscode访问报错
  • HTTP 403 错误：后端权限校验机制深度解析
  • 长尾关键词优化SEO核心策略
  • JeeSite 快速开发平台：全能企业级快速开发解决方案
  • 自己动手，在Mac开发机上利用ollama部署一款轻量级的大模型Phi-3:mini
  • ElasticSearch——常用命令
  • VSCode Import Cost：5 分钟学会依赖瘦身
  • java16学习笔记
  • uniapp 全局弹窗
  • 力扣1005:k次取反后最大化的数组和
  • pycharm编译器如何快速掌握一个新模块的使用方法
  • K-means 聚类算法学习