路标识别与提取（采用聚类方法）（C-means）（K-means）能对路边进行有效识别和提取，采用MATLAB 语言编写。

各种聚类程序，包括生成聚类树、k-means，模糊k-means等，中文注解

数字图像处理的k-means算法实现，能够完全把图像分割为k个聚点，进而把图片分为k中不同的颜色，比如：k=2，图像包含两种颜色（黑，白）；k=3，图像包含两种颜色（黑白灰），等等。随着k值越大，图像越来越靠近原图色彩。

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。

k-means测试数据

34行MATLAB代码实现k均值聚类，包含展示聚类成功后的散点图。

数据挖掘k-means k-medoids python代码实现 含测试数据

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

这是一个基于matlab语言的K-means算法的改进程序，代码完整易懂，里面包含有实际的数据集，能有利于对K-means算法感兴趣的研究学者或者开发人员

这个资源是一个拥有完整代码与测试数据的k-means算法文件，集原始算法与改进算法于一个程序，通过选择不同的标签号来使用算法，能完整运行，效果很好，希望对大家有帮助！