一张图片，由RGB三种通道表示，每个通道由8位表达，也就是2的3*8=2的24次方=1600万像素点（颜色），从1600万颜色找出K个点聚类。
图像占用空间的大小计算：
大小=分辨率*位深/8
分辨率=宽*高（如：1024*768,640*480）
位深：如24位，16位，8位
/8计算的是字节数。
例如：
一幅图像分辨率：1024*768,24位，则其大小计算如下：
大小=1024*768824/8=2359296byte=2304KB
k-mean缺陷：
1.最大的问题就是K的选值。
2.对噪声很敏感，所以使用k-medoids中心点来缓解对噪音的影响。
3.k-mean数据分类只有{0、1}属于硬分配。比如有时数据点位于中心边界线上；缺乏分配的不确定性概率度量（置信度）。
所以引出高斯混合模型（ＧＭＭ）
高斯概率模型可以给出每一个点在属于哪一个类的概率。
总结：
ｋ－ｍｅａｎ；
１． ｃｏｍｐｌｅｘｉｔｙ O（t,k,n,d） t:迭代次数 ；k：聚类点 ； n:像素点 ；d：维度深度
2. 优势： 简单 、快速
3.缺点：基于欧式距离、k取值；k-mean呈圆形（对图形的簇可以得到刚精确的分类）；初始化和噪声敏感、数据点硬分类，无概率值置信度
GMM：
1. ｃｏｍｐｌｅｘｉｔｙ O（t,k,n,d） t:迭代次数 ；k：聚类点 ； n:像素点 ；d：维度深度
2.优点：可以知道每个点在每个类中的概率值；抗噪最噪声更加稳定；
3.缺点：聚类数k取值不定；主要适用于凸簇，高斯分布呈椭圆形状（对椭圆的簇可以得到刚精确的分类）；奇点问题（加判断可解决）
对于其他形状的簇可以使用谱聚类算法spectral clustering（耗时十几秒其他都在1秒左右）、基于密度的空间聚类DBSCAN；
spectral clustering谱聚类算法
谱聚类（spectral clustering）是广泛使用的聚类算法，谱聚类是基于图论的，比起传统的K-Means算法，谱聚类对数据分布的适应性更强，聚类效果也很优秀，同时聚类的计算量也小很多，更加难能可贵的是实现起来也不复杂。在处理实际的聚类问题时，个人认为谱聚类是应该首先考虑的几种算法之一。下面我们就对谱聚类的算法原理做一个总结。
原理：根据点云数据建立相似矩阵，然后进行拉普拉斯矩阵变换，通过高斯核距离的全连接方式进行特征值分解降维（复杂度O（n³）），然后进行使用最常用的无向图切图NCut（NormalizedCut）算法（将不同类的点连接线进行切割的最小代价，通过所切到的两个点连接线权重之和最小），最后使用k-mean算法进行分类。
谱聚类算法的主要优点有：
1）谱聚类只需要数据之间的相似度矩阵，因此对于处理稀疏数据的聚类很有效。这点传统聚类算法比如K-Means很难做到
2）由于使用了降维，因此在处理高维数据聚类时的复杂度比传统聚类算法好。
3）k是自动发现的
谱聚类算法的主要缺点有：
1）如果最终聚类的维度非常高，则由于降维的幅度不够，谱聚类的运行速度和最后的聚类效果均不好。2) 聚类效果依赖于相似矩阵，不同的相似矩阵得到的最终聚类效果可能很不同。
2）ｃｏｍｐｌｅｘｉｔｙ O（n的三次方）：1.拉普拉斯矩阵O(n*n*n)2. t:迭代次数 ；k：聚类点 ； n:像素点 ；d：维度深度
