最近学习模式识别以及图像处理，搜集一些matlab的程序源代码，共享一下，同时也希望结交有共同兴趣爱好的朋友。

K均值聚类法分为如下几个步骤：

一、初始化聚类中心

1、根据具体问题，凭经验从样本集中选出C个比较合适的样本作为初始聚类中心。

2、用前C个样本作为初始聚类中心。

3、将全部样本随机地分成C类，计算每类的样本均值，将样本均值作为初始聚类中心。

二、初始聚类

1、按就近原则将样本归入各聚类中心所代表的类中。

2、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。

三、判断聚类是否合理

采用误差平方和准则函数判断聚类是否合理，不合理则修改分类。循环进行判断、修改直至达到算法终止条件。

clc

clear

tic

RGB= 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')

hold off;

img=double(img);

for i=1:200

c1(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<=0&r_b<=0);%寻找最小的聚类中心

n_g=find(r_g>0&g_b<=0);%寻找中间的一个聚类中心

n_b=find(g_b>0&r_b>0);%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);%将所有低灰度求和取平均，作为下一个中间灰度中心

c3(i)=sum(img(n_b))/length(n_b);%将所有低灰度求和取平均，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));

if

d1(i)<=0.001&&d2(i)<=0.001&&d3(i)<=0.001

R=c1(i);

G=c2(i);

B=c3(i);

k=i;

break;

end

end

R

G

B

img=uint8(img);

img(find(img

img(find(img>R&img

img(find(img>G))=255;

toc

subplot(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')