使用KMeans对图片进行聚类

都是做毕设时练手熟悉的小demo，没什么意义。
仅供参考。

import torch
import math
import matplotlib.pyplot as plt

# 计算两点之间的距离并返回结果
def dis(a, b):
    return math.sqrt((a[0] - b[0]) * (a[0] - b[0]) + (a[1] - b[1]) * (a[1] - b[1]))

# 生成2000个随机数[-100到100），并*100是放大100倍
X = torch.randn(2000) * 100
y = torch.randn(2000) * 100
C = torch.zeros(2000)

K = 5
CentPoint = []#生成了一个空列表
# for循环生成了5个【-100,100）之间的数组，即代码第一行整数输出
for i in range(K):
    CentPoint.append([torch.randint(-100, 100, (1,)).item(),
                      torch.randint(-100, 100, (1,)).item()])

print(CentPoint)
for p in range(10):
    NewPoint = [[0, 0] for i in range(K)]# 初始化一个列表元素，每个数组都是【0,0】
    for i in range(len(X)):
        mDis = 1e9
        mC = 0
        for j in range(len(CentPoint)):
            cp = CentPoint[j]
            D = dis([X[i].item(), y[i].item()], cp)# 计算【x，y】表示第一个点的坐标，cp是第二个点的坐标
            if mDis > D:
                mDis = D
                mC = j
        C[i] = mC
        NewPoint[mC][0] += X[i].item()
        NewPoint[mC][1] += y[i].item()

    for i in range(K):
        CentPoint[i][0] = NewPoint[i][0] / 2000
        CentPoint[i][1] = NewPoint[i][1] / 2000
    print(CentPoint)

cc = list(C)
for i in range(len(X)):
    if cc[i] == 0:
        plt.plot(X[i].item(), y[i].item(), 'r.')
    elif cc[i] == 1:
        plt.plot(X[i].item(), y[i].item(), 'g.')
    elif cc[i] == 2:
        plt.plot(X[i].item(), y[i].item(), 'b.')
    elif cc[i] == 3:
        plt.plot(X[i].item(), y[i].item(), color='pink', marker='.')
    elif cc[i] == 4:
        plt.plot(X[i].item(), y[i].item(), color='orange', marker='.')

for CP in CentPoint:
    plt.plot(CP[0], CP[1], color='black', marker='X')

plt.show()

聚类数指的是在聚类分析中需要分成的簇（cluster）的数量。在KMeans聚类算法中，聚类数是一个需要提前指定的参数。这个参数的选择通常是基于数据的特性和分析目的而确定的。
在选择聚类数时，通常需要进行试验和比较，以找到最合适的聚类数。常见的方法包括手肘法（elbow method）、轮廓系数法（silhouette method）和Gap统计量法（Gap statistic method）等。这些方法通过计算不同聚类数对应的聚类效果指标，帮助选择最优的聚类数。
聚类数的选择对聚类结果影响很大，如果聚类数太小，可能会将不同的群体归为同一簇，导致聚类结果不准确；而聚类数过多，则可能导致聚类效果不明显、无法识别出有意义的簇。kmeans.fit(img_data) 是使用KMeans算法对输入数据 img_data 进行聚类的代码，其中 kmeans 是一个KMeans类的实例对象。

在KMeans算法中，fit() 方法用于拟合聚类模型，即对输入数据进行聚类，并得到聚类结果。具体来说，fit()方法会根据输入数据和指定的聚类数，通过迭代算法优化聚类中心的位置，以最小化聚类误差（即样本点到所属簇中心的距离平方和）。
聚类完成后，可以通过 kmeans.labels_ 属性获取每个数据点所属的簇的标签（即聚类结果），通过kmeans.cluster_centers_ 属性获取每个簇的中心点。这些属性可以用于进一步的分析和可视化。