在如今信息高度膨胀的社会,数字图像信息也迅猛增加,怎样在海量的图像数据中进行高效地查询和处理,并获得有价值的数据信息至关重要。因此,图像数据挖掘也就应时而生,成为诸多学者炙手可热的话题。将潜在的有用知识从海量数据中挖掘出来的过程就是数据挖掘,其中它的主要研究内容包括聚类分析,聚类分析通过无监督学习的方法将具有相似特征的数据划为一类,使同一类内数据之间的相似度高,类间数据的相似度低。而图像聚类则是将图像当作目标数据来聚类,使得相似度高的图像归为一类,继而提高图像的管理和检索性能。K中心点算法作为传统的聚类算法凭借着其原理简单、执行效率高且对“噪声”不敏感等优点被广泛应用,但K中心点算法要在执行算法前对K值和初始质心进行初始化,并且不易跳出局部最优。针对这些缺陷,诸多学者对K中心点算法进行改进,将其与群体智能仿生算法进行结合,对K中心点算法的性能进行优化。本文首先改进猫群算法;之后将改进的猫群算法与K中心点算法进行结合,从而使K中心点算法不再随机选择初始质心,可以在指定质心下进行聚类;最后将结合后的算法应用在图像聚类上。主要工作如下:(1)介绍K中心点算法的基本概念、算法流程、特点;介绍猫群算法的两种模式以及特点;简单叙述图像聚类的基本理论。(2)改进猫群算法的速度-位移公式。通过增加动态惯性权重使猫群朝着最优解的方向趋近。同时为了避免“早熟”,提高算法的收敛性,将固定值mr修改为基于动态混合比率的比例公式,使猫群算法更趋向于全局最优。(3)将K中心点算法与改进后的猫群算法相结合,从而解决K中心点算法不易跳出局部最优的局限性以及选取初始质心的随机性。(4)对图像进行操作,包括彩色图像灰度化、特征提取、图像增强等。并将基于改进猫群算法的K中心点聚类在图像上进行应用,经实验证明该算法的可行性。由实验可知,对猫群算法进行改进后不仅具有良好的稳定性和较好的收敛性,同时结合K中心点算法后提高了对数据集聚类的准确性;最后在图像上得到应用,证明该算法可行。