python手写kmeans进行图片聚类（不调用kmeans函数）

K-Means 是一种经典的聚类算法，它常被用于图像分割和图像聚类。下面是一个 Python 手写 K-Means 算法实现的示例代码，用于对图片进行聚类。

import numpy as np
from PIL import Image

def kmeans(img, K=3, max_iter=100):
    # 将图像转换为向量形式
    img_vec = img.reshape((-1, 3))
    # 随机初始化聚类中心
    centroids = img_vec[np.random.choice(len(img_vec), K, replace=False)]
    for i in range(max_iter):
        # 计算每个点到聚类中心的距离
        distances = np.linalg.norm(img_vec[:, np.newaxis, :] - centroids, axis=2)
        # 将每个点归类到距离最近的聚类中心
        labels = np.argmin(distances, axis=1)
        # 更新聚类中心
        for j in range(K):
            centroids[j] = np.mean(img_vec[labels == j], axis=0)
    # 将每个点的颜色替换为所属聚类中心的颜色
    img_vec[...] = centroids[labels]
    return img_vec.reshape(img.shape)

# 读取图像
img = np.array(Image.open('test.jpg'))
# 调用 kmeans 函数进行聚类
clustered_img = kmeans(img)
# 显示聚类后的图像
Image.fromarray(clustered_img).show()

在上面的代码中，我们首先将图像转换为向量形式，然后随机初始化 K 个聚类中心。接着，我们执行 max_iter 次迭代，每次迭代都计算每个点到聚类中心的距离，并将每个点归类到距离最近的聚类中心。最后，我们根据每个点所属的聚类中心的颜色更新该点的颜色，并将其转换回图像形式。

需要注意的是，这个简单的 K-Means 算法实现可能存在局部最优解的问题，因此在实际应用中可能需要多次运行算法，或者使用改进的 K-Means 算法。