ISODATA及K-means算法原理及其实现

用k-means聚类以及特征提取算法，实现道路标志检测。

K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。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。 本代码提供了k-means算法的python实现，并使用matlibplot可视化算法结果

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

k-means算法。它不仅是最简单的聚类算法，也是最普及且最常用的。k-means算法是一种基于形心的划分数据的方法。我们给定一个数据集DD，以及要划分的簇数kk，就能通过该算法将数据集划分为kk个簇。一般来说，每个数据项只能属于其中一个簇。具体方法可以这样描述： 假设数据集在一个mm维的欧式空间中，我们初始时，可随机选择kk个数据项作为这kk个簇的形心Ci,i∈{1,2,…k}Ci,i∈{1,2,…k}，每个簇心代表的其实是一个簇，也就是一组数据项构成的集合。然后对所有的nn个数据项，计算这些数据项与CiCi的距离（一般情况下，在欧式空间中，数据项之间的距离用欧式距离表示）。比如对于数据项Dj,j∈{1,…n}Dj,j∈{1,…n}，它与其中的一个簇心CiCi最近，则将DjDj归类为簇CiCi. 通过上面这一步，我们就初步将DD划分为kk个类了。现在重新计算这kk个类的形心。方法是计算类中所有数据项的各个维度的均值。这样，构成一个新的形心，并且更新这个类的形心。每个类都这样计算一次，更新形心。 对上一步计算得到的新的形心，重复进行第（1），（2）步的工作，直到各个类的形心不再变化为止。

K-means，传统计算K均值的一种聚类算法，因其复杂度抵而应用最为普遍的一种聚类方法

程序为python写的k-means算法，以及测试用的数据，将程序与数据放在同一个目录下，即可运行

运用K-means算法进行图像分割, K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。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。 k个初始类聚类中心点的选取对聚类结果具有较大的 公式 公式 影响，因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇。当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。如果在一次迭代前后，J的值没有发生变化，说明算法已经收敛。 算法过程如下: 1)从N个文档随机选取K个文档作为质心 2)对剩余的每个文档测量其到每个质心的距离，并把它归到最近的质心的类 3)重新计算已经得到的各个类的质心 4)迭代2~3步直至新的质心与原质心相等或小于指定阈值，算法结束 具体如下: 输入:k, data[n]; (1) 选择k个初始中心点，例如c[0]=data[0],…c[k-1]=data[k-1]; (2) 对于data[0]….data[n]，分别与c[0]…c[k-1]比较，假定与c[i]差值最少，就标记为i; (3) 对于所有标记为i点，重新计算c[i]={ 所有标记为i的data[j]之和}/标记为i的个数; (4) 重复(2)(3)，直到所有c[i]值的变化小于给定阈值。 折叠工作原理 K-MEANS算法的工作原理及流程 K-MEANS算法 输入:聚类个数k，以及包含 n个数据对象的数据库。 输出:满足方差最小标准的k个聚类。

文件中包含K-Means聚类算法C#版本，一个文件中包含7个函数，使用的时候直接将C#文件复制到项目中即可使用，调用的时候主函数会直接返回结果