import?numpy?as?np
import?random

def?loss_function（present_center?pre_center）:
????‘‘‘
????損失函數，計算上一次與當前聚類中的差異（像素差的平方和）
????:param?present_center:?當前聚類中心
????:param?pre_center:?上一次聚類中心
????:return:　損失值
????‘‘‘
????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）:
????‘‘‘
????分類器（通過當前的聚類中心，給輸入圖像分類）
????:param?intput_signal:?輸入圖像
????:param?center:?聚類中心
????:return:　標簽矩陣
????‘‘‘
????input_row?input_col=?intput_signal.shape?#?輸入圖像的尺寸

????pixls_labels?=?np.zeros（（input_row?input_col））??#?儲存所有像素標簽

????pixl_distance_t?=?[]??#?單個元素與所有聚類中心的距離，臨時用

????for?i?in?range（input_row）:
????????for?j?in?range（input_col）:
????????????#?計算每個像素與所有聚類中心的差平方
????????????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）
????????????#?差異最小則為該類
????????????pixls_labels[i?j]?=?int（pixl_distance_t.index（min（pixl_distance_t）））
????????????#?清空該list，為下一個像素點做準備
????????????pixl_distance_t?=?[]
????return?pixls_labels


def?k_means（input_signal?center_num?threshold）:
????‘‘‘
????基于k-means算法的圖像分割（適用于灰度圖）
????:param?input_signal:　輸入圖像
????:param?center_num:　聚類中心數目
????:param?threshold:　迭代閾值
????:return:
????‘‘‘
????input_signal_cp?=?np.copy