为什么要使用它呢？我们可以简单地通过像素强度值来分割图像组件。比如，如果我想提取一个女孩的皮肤和头发，我可以直接基于像素强度值来做，而不是使用复杂的k-means算法。

回答：

分割并不简单。聚类比手动设定阈值更容易、更robust。

让我们用Matlab来看看：

我们关注的区域是黄色的花瓣。让我们将rgb图像分成三个不同的平面：

lily = imread('yellowlily.jpg')redplane = lily(:,:,1);greenplane = lily(:,:,2);blueplane = lily(:,:;3);imshow(greenplane); colormap(jet); imcontrast;

查看绿色平面：

所以黄色实际上比绿色更“绿”？哦哦。没关系，我们可以尝试组合阈值。黄色在红色平面和绿色平面都很强，所以需要两个阈值来识别它。绿色在绿色平面很强，而背景是黑色，在所有平面都有高值。所以黄色需要两个阈值，绿色需要一个阈值但不能是黑色或黄色，所以绿色需要三次比较……直到光线稍微变化就完全破坏了我们的手动阈值。

或者我们可以尝试聚类：

redIndices = redPlane(:);greenIndices = greenPlane(:);blueIndices = bluePlane(:);Data = [redIndices, blueIndices, greenIndices];clusterIdx = kmeans(Data,3);    ClusterImage = zeros(size(RedPlane));ClusterImage(:) = clusterIdx;

差不多了。我们得到了黄色的花瓣，绿色失败了，黑色需要一些形态学处理。只有一个参数，就是聚类数量。也许可以使用高斯混合模型作为软k-means？

还有一个需要考虑的点是重叠的颜色，比如黄色花瓣底部的绿色。你要分割头发的女孩可能站在一些树旁，树皮有同样的棕色。你可以将图像中的距离作为数据的一个维度添加进去，比如我之前提到的GMM。颜色空间和图像中的距离概念可以成为一个强大且robust的分割工具，这是手动阈值永远无法实现的。