K均值算法及其应用：从数据集到图像分割案例分析.pdfVIP

图15.1利用线性重新缩放的老忠实喷泉数据集来说明K均值算法。(a)绿色点代表二

维欧几里得空间中的数据集。初始选择的聚类和分别由红色和蓝色的叉号表示。

(b)在初始的E步骤中，每个数据点要么分配给红色聚类，要么分配给蓝色聚类，这取决于

数据点与哪个聚类更近。这相当于根据数据点位于两个聚类的垂直平分线（洋红

色的线）的哪一边来分类数据点。(c)在随后的M步骤中，每个聚类被重新计算为分配

给对应聚类的所有数据点的平均值。(d)～(i)显示了直至最终收敛前的连续E步骤和M步

骤

图15.2根据式（15.1）绘出的成本函数J的曲线图，其中显示了成本函数J在用于图

15.1所示例子的K均值算法的每个E步骤（蓝色点）和M步骤（红色点）的变化情

况。在经过第三个M步骤，算法已经收敛，最后一轮EM周期既没有改变分配也没有

改变原型向量

图15.3一个将K均值算法应用于图像分割的例子，这里展示了原始图像以及使用各

种K值获得的K均值分割图像。这也说明了向量量化在数据压缩中的使用效果，其中较小