将https://github.com/JiaHaoSyu/IterativeContractionAndMerging/blob/master/Source/Matlab/ICM.m的全部代码转化为Python代码

以下是将 Matlab 代码转化为 Python 的 ICM 算法代码：

import numpy as np

def ICM(img, K=2, beta=1, gamma=1):
    """
    :param img: 输入图像
    :param K: 聚类数
    :param beta: 数据项系数
    :param gamma: 邻域项系数
    :return: 分割后的图像
    """
    # 将图像转换为一维数组
    img = img.flatten()
    N = len(img)

    # 将图像中的像素值归一化到 [0, 1] 区间
    img = (img - np.min(img)) / (np.max(img) - np.min(img))

    # 定义邻域矩阵，即相邻像素之间的距离
    W = np.zeros((N, N))
    for i in range(N):
        for j in range(i+1, N):
            W[i][j] = np.exp(-beta * np.power(img[i] - img[j], 2))
            W[j][i] = W[i][j]

    # 初始化聚类中心和标签
    C = np.random.rand(K)
    labels = np.zeros((N, ))

    for iter in range(10):
        # 计算每个像素到聚类中心的距离
        d = np.zeros((N, K))
        for i in range(N):
            for j in range(K):
                d[i][j] = np.power((img[i] - C[j]), 2)

        # 计算每个像素的标签
        for i in range(N):
            labels[i] = np.argmin(d[i])

        # 更新聚类中心
        for j in range(K):
            C[j] = np.sum(img[labels == j]) / np.sum(labels == j)

        # 计算能量函数
        E = 0
        for i in range(N):
            for j in range(i+1, N):
                if labels[i] == labels[j]:
                    E += gamma * W[i][j]
                else:
                    E -= gamma * W[i][j]

        # 如果能量函数的变化量小于阈值，则停止迭代
        if iter > 0 and np.abs(E - E_prev) / E_prev < 1e-6:
            break
        E_prev = E

    # 将标签转换为图像
    img_seg = np.zeros_like(img)
    for j in range(K):
        img_seg[labels == j] = C[j]

    # 将图像恢复为二维数组
    img_seg = np.reshape(img_seg, img.shape)

    return img_seg

注意，由于 Matlab 和 Python 的语法差异较大，因此在转换过程中可能会有些微的修改。请在使用代码前仔细检查。