K-means演算法屬於無監督分類，通過按照一定的方式度量樣本之間的相似度，通過迭代更新聚類中心，當聚類中心不再移動或移動差值小於閾值時，則就樣本分為不同的類別。

步驟：

1、隨機初始化K個聚類中心

2、計算每個樣本與k個聚類中心的距離，選擇距離最小的聚類中心，將樣本劃分到這個聚類中心中；

3、計算劃分到每個類別中所有樣本特徵的均值，並將該均值作為每個類別新的聚類中心；

4、重複2、3步操作，直至聚類中心不再改變。

 1 import numpy as np
 2 import copy
 3 import matplotlib.pyplot as plt
 4 
 5 pic = plt.imread('
 
E:\TestA_Update\A32.jpg')
 6 # pic.shape   #(647, 1200)
 7 data = pic.reshape(-1, 3)  #轉化成3列，行數自行計算的矩陣
 8 
 9 def kmeans_wave(n, k, data):  # n為迭代次數， k為聚類數目， data為輸入資料
10     data_new = copy.deepcopy(data)   #深複製，就是從輸入變數完全復刻一個相同的變數，無論怎麼改變新變數，原有變數的值都不會受到影響
11     data_new = np.column_stack((data_new, np.ones(674*1200)))   #
 
 增加一個列
12     center_point = np.random.choice(674*1200, k, replace=False)     # 隨機選擇初始點，位置不重複
13     center = data_new[center_point,:]   #聚類中心的rgb畫素值
14     distance = [[] for i in range(k)]   # 距離聚類中心的距離集合
15     for i in range(n):
16          for j in range(k):
17              distance[j] = np.sqrt(np.sum(np.square(data_new - np.array(center[j])), axis=1))     #
 
 更新距離
18          data_new[:,3] = np.argmin(np.array(distance), axis=0)   # 選出最小距離，將對應的j放在第四列
19          for l in range(k):
20              center[l] = np.mean(data_new[data_new[:,3]==l], axis=0)   # 求平均值，更新聚類中心
21 
22     return data_new
23 
24 if __name__ == '__main__':
25     data_new = kmeans_wave(80,6,data)
26     print(data_new.shape)
27     pic_new = data_new[:,3].reshape(674,1200)
28     plt.subplot(1,2,1)
29     plt.title('A32')
30     plt.imshow(pic)
31     plt.subplot(1,2,2)
32     plt.title('K-MEANS')
33     plt.imshow(pic_new)
34     plt.show()

結果：