k均值2聚类分割matlab

k均值聚类是一种常用的聚类算法，可以将数据集分为k个不同的簇。在Matlab中，可以使用以下代码实现k均值2聚类分割：

% 读入数据集
data = load('data.mat');
X = data.X;

% 初始化聚类中心
centroids = initCentroids(X, 2);

% 迭代聚类
for i = 1:10
    % 计算每个样本点到聚类中心的距离
    idx = findClosestCentroids(X, centroids);
    
    % 重新计算聚类中心
    centroids = computeCentroids(X, idx, 2);
end

% 可视化聚类结果
plotDataPoints(X, idx, 2);

其中，`initCentroids` 函数用于初始化聚类中心，`findClosestCentroids` 函数用于计算每个样本点到聚类中心的距离，`computeCentroids` 函数用于重新计算聚类中心，`plotDataPoints` 函数用于可视化聚类结果。

需要注意的是，k均值聚类算法对于初始聚类中心的选择比较敏感，因此需要进行多次迭代来得到稳定的聚类结果。

相关问题

fcm聚类分割matlab

FCM（模糊C均值）聚类是一种常用的聚类算法，可以用于图像分割。在MATLAB中，可以使用fcm函数实现FCM聚类分割。

具体步骤如下：
1. 读入图像并转换为灰度图像。
2. 将图像矩阵转换为向量。
3. 使用fcm函数进行聚类分割。
4. 将聚类结果转换为图像矩阵并显示。

示例代码如下：

% 读入图像并转换为灰度图像
img = imread('lena.png');
gray_img = rgb2gray(img);

% 将图像矩阵转换为向量
data = double(gray_img(:));

% 使用fcm函数进行聚类分割
[centers, U] = fcm(data, 3);

% 将聚类结果转换为图像矩阵并显示
maxU = max(U);
index1 = find(U(1,:) == maxU);
index2 = find(U(2,:) == maxU);
index3 = find(U(3,:) == maxU);
img_seg = zeros(size(gray_img));
img_seg(index1) = 1;
img_seg(index2) = 2;
img_seg(index3) = 3;
imshow(label2rgb(img_seg));