K-MEANS(K均值聚类算法-C均值算法).ppt

*Matlab程序实现clcclearticRGB=imread(test5.jpg);%读入像img=rgb2gray(RGB);[m,n]=size(img);subplot(2,2,1),imshow(img);title(图一原图像)subplot(2,2,2),imhist(img);title(图二原图像的灰度直方图)holdoff;img=double(img);fori=1:200c1(1)=25;c2(1)=125;c3(1)=200;%选择三个初始聚类中心r=abs(img-c1(i));g=abs(img-c2(i));b=abs(img-c3(i));%计算各像素灰度与聚类中心的距离r_g=r-g;g_b=g-b;r_b=r-b;n_r=find(r_g=0r_b=0);%寻找最小的聚类中心n_g=find(r_g0g_b=0);%寻找中间的一个聚类中心n_b=find(g_b0r_b0);%寻找最大的聚类中心i=i+1;c1(i)=sum(img(n_r))/length(n_r);%将所有低灰度求和取平均，作为下一个低灰度中心c2(i)=sum(img(n_g))/length(n_g);%将所有中间灰度求和取平均，作为下一个中间灰度中心c3(i)=sum(img(n_b))/length(n_b);%将所有高灰度求和取平均，作为下一个高灰度中心d1(i)=abs(c1(i)-c1(i-1));d2(i)=abs(c2(i)-c2(i-1));d3(i)=abs(c3(i)-c3(i-1));ifd1(i)=0.001d2(i)=0.001d3(i)=0.001R=c1(i);G=c2(i);B=c3(i);k=i;break;endendRGBimg=uint8(img);img(find(imgR))=0;img(find(imgRimgG))=128;img(find(imgG))=255;tocsubplot(2,2,3),imshow(img);title(图三聚类后的图像)subplot(2,2,4),imhist(img);title(图四聚类后的图像直方图)结束谢谢*在K-means算法运行前必须先指定聚类数目K和迭代次数或收敛条件，并指定K个初始聚类中心，根据一定的相似性度量准则，将每一条基因分配到最近或“相似”的聚类中心，形成类，然后以每一类的平均矢量作为这一类的聚类中心，重新分配，反复迭代直到类收敛或达到最大的迭代次数。*(算法第一步为每个聚类确定一个初始聚类中心，这样，就有K个初始聚类中心。)(K-均值聚类算法中，赋初值之后的下一步就是将剩下的数据点分配到最近的分类中心去)（意味着要将所有点与现存的聚类中心比较，找到距离最小点）（通常采取误差校验的方式，然而在此之前要估计新的聚类中心，基本上K-均值聚类算法中升剩下的步骤就是取一样本，将其归入与其最近的聚类中心的那一类中，重新计算样本均值，更新聚类中心。然后取下一样本，重复操作，直至所有样本归入相应类中。）******2.13.2Thek-MeansAlgorithm(K-均值聚类算法）主讲内容算法性能分析算法改进算法简介算法应用算法要点算法描述算法实例ISODATA算法gapstatistics算法简介k-means算法，也被称为k-平均或k-均值，是一种得到最广泛使用的聚类算法。它是将各个聚类子集内的所有数据样本的均值作为该聚类的代表点，算法的主要思想是通过迭代过程把数据集划分为不同的类别，使得评价聚类性能的准则函数达到最优，从而使生成的每个聚类内紧凑，类间独立。这一算法不适合处理离散型属性，但是对于连续型具有较好的聚类效果。算法描述为中心向量c1,c2,…,ck初始化k个种子分组:将样本分配给距离其最近的中心向量由这些样本构造不相交（non-overlapping）的聚类确定中心:用各个聚类的中心向量作为新的中心重复分组和确定中心的步骤，直至算法收敛算法k-means算法输入：簇的数目k和包含n个对象的数据库。输出：k个簇，使平方误差准则最小。算法步骤：1.为每个聚类确定一个初始聚类中心，这样就有K个