初始聚类中心确定的K- means图片聚类Matlab代码

以下是使用K-means算法进行图片聚类的Matlab代码。

% 加载图片
img = imread('test.jpg');

% 将图片转换为向量
img_vec = reshape(img, [], 3);

% 确定聚类个数
K = 4;

% 随机初始化聚类中心
init_centroids = randperm(size(img_vec, 1), K);
centroids = img_vec(init_centroids, :);

% 迭代次数
max_iters = 10;

% 运行K-means算法
for i = 1:max_iters
    % 计算每个样本点与聚类中心的距离
    dist = pdist2(img_vec, centroids);
    
    % 确定每个样本点所属的聚类
    [~, idx] = min(dist, [], 2);
    
    % 更新聚类中心
    for j = 1:K
        centroids(j, :) = mean(img_vec(idx == j, :));
    end
end

% 将每个样本点重新赋值为所属聚类的中心值
img_vec_new = centroids(idx, :);

% 将向量转换为图片
img_new = reshape(img_vec_new, size(img));

% 显示原始图片和聚类结果
figure;
subplot(1,2,1); imshow(img); title('Original Image');
subplot(1,2,2); imshow(img_new); title(sprintf('K-means Clustering with K = %d', K));

这段代码会将指定的图片进行聚类，聚类个数由变量K确定。聚类中心会随机初始化，并迭代更新直至收敛。最终会将每个样本点赋值为所属聚类的中心值，然后将向量转换为图片，最终显示原始图片和聚类结果。