D:\wjd这个路径下有2000多张1000*1000的png格式的ovito三色图片，现在想找用无监督方法，resnet50将其自动分类，不用k-means方法分类，用其他方法自动分类，我也不知道会分为几类

你可以使用谱聚类（Spectral Clustering）算法来对图片进行无监督聚类。谱聚类是一种基于图论的聚类方法，它将数据看作一个图的形式，然后通过对图进行分解，得到数据的特征向量，最后使用聚类算法对特征向量进行聚类。具体步骤如下：

1. 加载ResNet50模型，并使用模型提取每张图片的特征向量。

2. 将所有特征向量组成矩阵，计算相似度矩阵。

3. 对相似度矩阵进行归一化处理，并计算出拉普拉斯矩阵。

4. 对拉普拉斯矩阵进行特征值分解，得到特征向量，将特征向量降维到二维。

5. 使用谱聚类算法对特征向量进行聚类。

6. 可视化聚类结果。

下面是示例代码，你可以根据自己的需求进行修改。

import os
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
from sklearn.cluster import SpectralClustering
from sklearn.decomposition import PCA
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.applications.resnet50 import preprocess_input

# 定义加载图片函数
def load_image(img_path):
    img = image.load_img(img_path, target_size=(224, 224))
    x = image.img_to_array(img)
    x = np.expand_dims(x, axis=0)
    x = preprocess_input(x)
    return x

# 加载ResNet50模型
model = ResNet50(weights='imagenet', include_top=False, pooling='avg')

# 加载图片并提取特征向量
img_dir = 'D:/wjd'
img_names = os.listdir(img_dir)
X = []
for img_name in img_names:
    img_path = os.path.join(img_dir, img_name)
    img = load_image(img_path)
    features = model.predict(img)[0]
    X.append(features)

# 将特征向量转化为矩阵 X
X = np.array(X)

# 计算相似度矩阵
S = np.dot(X, X.T)

# 归一化相似度矩阵
D = np.diag(np.sum(S, axis=1))
L = D - S
L_norm = np.dot(np.dot(np.sqrt(np.linalg.inv(D)), L), np.sqrt(np.linalg.inv(D)))

# 计算特征向量
eigvals, eigvecs = np.linalg.eig(L_norm)
idx = eigvals.argsort()[::-1]
eigvals = eigvals[idx]
eigvecs = eigvecs[:, idx]

# 将特征向量降维到二维
Y = eigvecs[:, :2]

# 使用谱聚类进行分类
n_clusters = 5
clustering = SpectralClustering(n_clusters=n_clusters, assign_labels="discretize", random_state=0).fit(Y)

# 可视化聚类结果
pca = PCA(n_components=2)
X_pca = pca.fit_transform(X)
plt.scatter(X_pca[:, 0], X_pca[:, 1], c=clustering.labels_, cmap='rainbow')
plt.show()

在上面的代码中，我们使用了 `SpectralClustering` 类进行聚类，并通过参数 `n_clusters` 指定聚类的数量。如果你不知道应该将图片聚类到多少类，可以尝试不同的聚类数量，然后观察聚类结果并选择最优的聚类数量。