参考冈萨雷斯《数字图像处理》第四版，其中提到了K均值聚类算法可用于图像分割，所以我整理了网上一些资源做了如下测试实验。

代码部分实测输入灰度图像和彩色图像都适用

代码部分：

import cv2
import matplotlib.pyplot as plt
import numpy as np

def seg_kmeans_gray():
    #读取图片
    img = cv2.imread('E:/shale10053.bmp', cv2.IMREAD_GRAYSCALE)#这里我输入的是灰度图像，彩色图像同样适用

    # 展平
    img_flat = img.reshape((img.shape[0] * img.shape[1], 1))
    img_flat = np.float32(img_flat)

    # 迭代参数
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TermCriteria_MAX_ITER, 20, 0.5)
    flags = cv2.KMEANS_RANDOM_CENTERS

    # 进行聚类
    compactness, labels, centers = cv2.kmeans(img_flat, 2, None, criteria, 10, flags)#这里可以设定聚成几类               
    print(centers)
    a = (centers[0]+centers[1])/2 
    print(a)#a是两个聚类中心点的均值，这里我把它理解成为这张二值图像的阈值（不知道对不对）
    # 显示结果
    img_output = labels.reshape((img.shape[0], img.shape[1]))
    plt.figure(figsize=(5,5)),plt.subplot(), plt.imshow(img_output, 'gray'), plt.title('kmeans')
    plt.show()


if __name__ == '__main__':
    seg_kmeans_gray()

运行结果：

其中59.2372和77.23244分别是两个聚类中心，我的理解是算法分析灰度图像对应的二维矩阵中的灰度值，把256*256大小的灰度图像中的65536个灰度值进行聚类，然后分别得到了这两个聚类中心。我对这两个聚类中心求了平均作为整幅图的分割阈值（这样处理明显逻辑上不通，有办法的小伙伴欢迎指出）

原图像：

 处理后的图像：