double kmeans( InputArray data, int K, InputOutputArray bestLabels,TermCriteria criteria, int attempts,int flags, OutputArray centers = noArray() );
data——原始数据集，行为样本列为特征。
K——聚类的类别数。
bestLabels——每个样本所属的类别标签，从0开始，样本数行1列的矩阵。
criteria——迭代终止条件，TermCriteria(TermCriteria::EPS + TermCriteria::COUNT, 10, 1.0)，10次迭代、期望准确率1.0
attempts——运行kmeans的次数，取结果最好的那次聚类为最终的聚类。
flags——聚类中心初始化
KMEANS_RANDOM_CENTERS 随机初始化
KMEANS_USE_INITIAL_LABELS 第一次初始化使用用户设定的，之后使用随机的（random or semi-random centers）。
KMEANS_PP_CENTERS 算法kmeans++的center
centers——最终最优的聚类的中心。
返回值——点的紧凑程度，越小越紧凑。
kmeans聚类分析（OpenCV案例源码kmeans.cpp解读）
原文：https://www.cnblogs.com/xixixing/p/12455316.html