机器学习k means算法实现图像分割

import numpy as np
import random

def loss_function（present_center pre_center）:
    ‘‘‘
    损失函数，计算上一次与当前聚类中的差异（像素差的平方和）
    :param present_center: 当前聚类中心
    :param pre_center: 上一次聚类中心
    :return:　损失值
    ‘‘‘
    present_center = np.array（present_center）
    pre_center = np.array（pre_center）
    return np.sum（（present_center - pre_center）**2）


def classifer（intput_signal center）:
    ‘‘‘
    分类器（通过当前的聚类中心，给输入图像分类）
    :param intput_signal: 输入图像
    :param center: 聚类中心
    :return:　标签矩阵
    ‘‘‘
    input_row input_col= intput_signal.shape # 输入图像的尺寸

    pixls_labels = np.zeros（（input_row input_col））  # 储存所有像素标签

    pixl_distance_t = []  # 单个元素与所有聚类中心的距离，临时用

    for i in range（input_row）:
        for j in range（input_col）:
            # 计算每个像素与所有聚类中心的差平方
            for k in range（len（center））:
                distance_t = np.sum（abs（（intput_signal[i j]）.astype（int） - center[k].astype（int））**2）
                pixl_distance_t.append（distance_t）
            # 差异最小则为该类
            pixls_labels[i j] = int（pixl_distance_t.index（min（pixl_distance_t）））
            # 清空该list，为下一个像素点做准备
            pixl_distance_t = []
    return pixls_labels


def k_means（input_signal center_num threshold）:
    ‘‘‘
    基于k-means算法的图像分割（适用于灰度图）
    :param input_signal:　输入图像
    :param center_num:　聚类中心数目
    :param threshold:　迭代阈值
    :return:
    ‘‘‘
    input_signal_cp = np.copy