2.4　无监督学习案例：K平均聚类算法实现

无监督学习对图像进行分类时，可以采用K-Means算法。该算法实现简单，运行速度快，要求事先知道数据所具有的类别数。K-Means时数据最初的随机分类类别会对最终结果产生很大的影响。数据较少时，K-Means算法分类可能会失败。

1. 项目描述

将色彩量化后，图像的直方图作为识别时的特征量。

2. 相关知识

（1）为每个数据随机分配类。

（2）计算每个类的重心。

（3）计算每个数据与重心之间的距离，将该数据分配到与重心距离最近的那个类。

（4）重复步骤2和步骤3，直到没有数据的类别发生改变为止。

3. 项目设计

（1）对图像进行减色化处理后，计算直方图，将其用作特征量。

（2）对每张图随机分配类别0或类别1（已知类别数为2）。

（3）分别计算类别0和类别1特征量的质心（质心存储在gs=np.zeros（（Class，12），dtype=np.float32）中），gs具有如下所示的形状和内容：

（4）对于每个图像，计算特征量与质心之间的距离（在此取欧式距离），并将图像类别指定为距离最近的质心所代表的类别。

（5）重复步骤3和步骤4，直到没有数据的类别发生改变为止。

4. 项目过程

实现代码为：

5. 项目测试