改进的K-means聚类算法初始聚类中心确定，采用matlab实现，2016a的matlab，直接打开文件、添加路径就可以使用了。

实验描述: 对指定数据集进行聚类分析，选择适当的聚类算法，编写程序实现，提交程序和结果报告。 数据集： Iris Data Set（见附件一） ，根据花的属性进行聚类。 数据包括四个属性：sepal length花萼长度，sepal width花萼宽度，petal length花瓣长度，petal width花瓣宽度。其中第五个值表示该样本属于哪一个类。 样本点间的距离直接用向量的欧氏距离。

function [idx, C, sumD, D] = kmeans(X, k, varargin) % varargin：实际输入参量 if nargin 1 % 大于1刚至少有一种距离 error(sprintf('Ambiguous ''distance'' parameter value: %s.', distance)); elseif isempty(i) % 如果是空的，则表明没有合适的距离 error(sprintf('Unknown ''distance'' parameter value: %s.', distance)); end % 针对不同的距离，处理不同 distance = distNames{i}; switch distance case 'cityblock' % sort 列元素按升序排列，Xord中存的是元素在原始矩阵中的列中对应的大小位置 [Xsort,Xord] = sort(X,1); case 'cosine' % 余弦 % 计算每一行的和的平方根 Xnorm = sqrt(sum(X.^2, 2)); if any(min(Xnorm) <= eps * max(Xnorm)) error(['Some points have small relative magnitudes, making them ', ... 'effectively zero.\nEither remove those points, or choose a ', ... 'distance other than ''cosine''.'], []); end % 标量化 Xnorm(:,ones(1,p))得到n*p的矩阵 X = X ./ Xnorm(:,ones(1,p)); case 'correlation' % 线性化 X = X - repmat(mean(X,2),1,p); % 计算每一行的和的平方根 Xnorm = sqrt(sum(X.^2, 2)); if any(min(Xnorm) <= eps * max(Xnorm)) error(['Some points have small relative standard deviations, ma

我的数据是115*64维的，需要进行聚类操作，于是自己动手进行了实验，运用的是matlab语言，最后选取部分进行可视化展示，效果还不错。（代码注释完整）

本工程文件实现了K-means算法，对输入的样本数据实现了聚类分析，其中测试的样本数据在工程文件下的K-means文件夹下

运行在Matlab2012下，带有GUI，可对彩色图像进行Kmeans和meanshift进行聚类分析，生成最后的聚类图像以及聚类中心的迭代轨迹

K-means 算法实现。K-means 聚类 也是找来的。。。

代码，介绍，数据源，效果展示

之前学习并详细总结了一篇k-均值（k-means）算法思想与实现步骤的文章，于是顺便提供Matlab代码实现，使得更好的理解算法的思想。本代码有详细的注释使初学者能更好的学习Matlab这门工具语言。

nl-means算法及fast nl-means matlab