以下是Python实现K-means算法的代码，其中包括对UCI的waveform数据集进行聚类和对一副无噪图像进行分割的示例。 ```python import numpy as np import matplotlib.pyplot as plt from sklearn.cluster import KMeans from skimage import io # 载入UCI的waveform数据集 data = np.loadtxt('waveform.data', delimiter=',') X = data[:, :-1] y = data[:, -1] # 取每类数据的前100个 indices = np.zeros(3, dtype=int) for i in range(3): indices[i] = np.where(y == i+1)[0][:100] X_sampled = X[indices.flatten()] # 使用K-means算法进行聚类 kmeans = KMeans(n_clusters=3, random_state=0).fit(X_sampled) # 绘制聚类结果 fig, ax = plt.subplots() colors = ['r', 'g', 'b'] for i, color in enumerate(colors): ax.scatter(X_sampled[kmeans.labels_ == i, 0], X_sampled[kmeans.labels_ == i, 1], c=color, label=f'Class {i+1}') ax.legend() plt.show() # 对一副无噪图像进行分割 img = io.imread('image.jpg') height, width, _ = img.shape X = np.reshape(img, (height*width, 3)) # 使用K-means算法进行聚类 kmeans = KMeans(n_clusters=4, random_state=0).fit(X) # 将每个像素点的颜色替换为对应簇的中心颜色 X_clustered = np.zeros_like(X) for i in range(4): X_clustered[kmeans.labels_ == i] = kmeans.cluster_centers_[i] img_clustered = np.reshape(X_clustered, (height, width, 3)) # 显示分割结果 fig, ax = plt.subplots(1, 2) ax[0].imshow(img) ax[1].imshow(img_clustered) plt.show() ``` 上述代码首先载入UCI的waveform数据集，并从中取每类数据的前100个进行聚类。然后使用K-means算法对一副无噪图像进行分割，将每个像素点的颜色替换为对应簇的中心颜色。最后绘制UCI的waveform数据集的聚类结果和一副无噪图像的分割结果。 可以根据自己的需要修改代码中的数据集路径、簇数等参数。