1.理解掌握K-means聚类算法的基本原理； 2.学会用python实现K-means算法 K-Means算法是典型的基于距离的聚类算法，其中k代表类簇个数，means代表类簇内数据对象的均值（这种均值是一种对类簇中心的描述），因此，K-Means算法又称为k-均值算法。K-Means算法是一种基于划分的聚类算法，以距离作为数据对象间相似性度量的标准，即数据对象间的距离越小，则它们的相似性越高，则它们越有可能在同一个类簇。数据对象间距离的计算有很多种，k-means算法通常采用欧氏距离来计算数据对象间的距离。该算法认为簇是由距离靠近的对象组成的，因此把得到紧凑且独立的簇作为最终目标。

function [center, U, obj_fcn] = FCMClust(data, cluster_n, options)

FLICM 算法，是一种基于局部空间信息模糊聚类的鲁棒图像分割算法，来自论文"A Robust Fuzzy Local Information C-Means Clustering Algorithm", IEEE Transactions on Image Processing 19(5) 2010 1328-1337, doi: 10.1109/TIP.2010.2040763，使用Matlab R2018b编写，皆用矩阵计算。

简单的模糊c-均值聚类matlab程序 希望对大家能够有所帮助

模糊集matlab代码Fuzzy_Clustering_Algorithms 几种最先进的模糊聚类算法，包括模糊 c 均值聚类、模糊子空间聚类和最大熵聚类算法。 MATLAB 代码。 虹膜数据集中的三个例子。 FCM 演示 FCM算法： 运行 demo_fuzzy.m，选择超参数“choose_algorithm=1”。 聚类结果： 迭代1，迭代次数：12，Accuary：0.89333333 迭代2，迭代次数：12，Accuary：0.89333333 迭代3，迭代次数：12，Accuary：0.89333333 迭代4，迭代次数：12，Accuary：0.89333333 迭代5，迭代次数：12，Accuary：0.89333333 迭代6，迭代次数：12，Accuary：0.89333333 迭代7，迭代次数：12，Accuary：0.89333333 迭代8次，迭代次数：12，Accuary：0.89333333 迭代9，迭代次数：12，Accuary：0.89333333 迭代10，迭代次数：12，Accuary：0.89333333 算法平均迭代次数为：12.00 平均运行

C均值聚类（更常用的叫法是K均值算法，K-means clustering）是经典的非监督数据处理方法。实验目的在于加深学生对C均值聚类原理的理解、掌握的算法的实现过程，体会其在模式识别中的作用。

很好用的K均值聚类算法 简单易懂 用matlab完成，可以适用于图像分割的K均值聚类

k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似 度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来 进行计算的。 　　k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象 ，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算 每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用 均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

对灰度图像进行K均值聚类分析，利用该算法很好的实现了对图像的聚类处理