K-Means 算法是应用最为广泛的聚类算法[2]。该算法以类中各样本的加权均值(称为质心)代表该类，只用于数字属性数据的 聚类，全局阈值分割，对图像的分割还挺好的，不利用直方图，

本资源为利用C#语言编写的K-Means代码.(可以点击生成坐标点,也可以随机生成坐标点)代码简洁,注释齐全,运行顺畅

针对K-means聚类算法受初始类中心影响,聚类结果容易陷入局部最优导致聚类准确率较低的问题,提出了一种基于自适应布谷鸟搜索的K-means聚类改进算法,并利用MapReduce编程模型实现了改进算法的并行化。通过搭建的Hadoop分布式计算平台对不同样本数据集分别进行10次准确性实验和效率实验,结果表明:a)聚类的平均准确率在实验所采用的四种UCI标准数据集上,相比原始K-means聚类算法和基于粒子群优化算法改进的K-means聚类算法都有所提高;b)聚类的平均运行效率在实验所采用的五种大小递增的随机数据集上,当数据量较大时,显著优于原始K-means串行算法,稍好于粒子群优化算法改进的并行K-means聚类算法。可以得出结论,在大数据情景下,应用该算法的聚类效果较好。

python界面GUI实现k-means聚类算法，基于tkinter的界面简单代码开发。k-means算法是自己写的，不是调用的库函数。程序最后可以实现，随机生成样本点，设置聚类中心数，区分颜色显示聚类结果，无限次迭代，退出等。

K-means聚类算法利用matlab实现，可以查看每次迭代的效果

上述代码是利用python内置的k-means聚类算法对鸢尾花数据的聚类效果展示，注意在运行该代码时需要采用pip或者其他方式为自己的python安装sklearn以及iris扩展包，其中X = iris.data[:]表示我们采用了鸢尾花数据的四个特征进行聚类，如果仅仅采用后两个（效果最佳）则应该修改代码为X = iris.data[2:]

基于K-means聚类算法的图像分割(MATLAB实现),如有需要，请下载！！

ISODATA及K-means算法原理及其实现

基于Kmeans聚类的图像分割算法，适合初学者学习。分较少

点击main.m即可运行出结果，算法纯手打，没有利用任何工具箱，极具参考价值