搜索资源列表
DataMining20070102
- DataMining软件(集成了关联规则、k-均值聚类、模糊聚类、k-中心点聚类四种算法)
K-C
- 这是一个K中心点聚类算法C实现的,希望对大家有用
基于Mean Shift的阈值分割
- 阈值分割算法是一种将灰度图像转化为二值图像的简单有效的方法，但是由于需处理图像的复杂性，常常使得阈值分割算法中阈值的选取问题无法很好解决。针对这个问题，在进行阈值化处理之前，我们先借助Mean Shift算法的分割特性将灰度值相近的元素进行聚类，然后，在此基础上应用阈值分割算法，达到将图像与背景分离的目的。 简单来说，基于Mean Shift的图像分割过程就是首先利用Mean Shift算法对图像中的像素进行聚类，即把收敛到同一点的起始点归为一类，然后把这一类的标号赋给这些起始点，同时把包含像素
K
- K均值算法-分类器-有效抑制边缘点影响-简单有效-K-means algorithm- Classifier- effectively inhibiting the impact of edge points- simple and effective
k_mean
- 简单的k均值聚类算法，C++实现，将若干点聚类为两类-A simple k-means clustering algorithm
K-means
- k-means 算法 step1 初始化K个质心 step2 将所有的点分配给最近的质心 step3 更新质心 step4 若质心都没用变化,则停止,否则返回step2 -k-means algorithm is initialized step1 step2 K a center of mass of all the points assigned to the nearest centroid centroid step3 step4 update no us
PamCSharp
- k中心点聚类算法的具体实现，代码已优化，可以顺利运行。-K centroid clustering algorithm’s realization, the code has already been optimized, and can be smoothly operated.
Cpp1
- 距离与相异度，然后介绍一种常见的聚类算法——k均值和k中心点聚类-Distance and dissimilarity, and then introduce a clustering algorithm- k mean and k-medoids clustering
qt_open_surf
- 在上篇博客特征点检测学习_1(sift算法) 中简单介绍了经典的sift算法，sift算法比较稳定，检测到的特征点也比较多，其最大的确定是计算复杂度较高。后面有不少学者对其进行了改进，其中比较出名的就是本文要介绍的surf算法，surf的中文意思为快速鲁棒特征。本文不是专门介绍surf所有理论（最好的理论是作者的论文）的，只是对surf算法进行了下整理，方便以后查阅。 该代码的作者给出的主函数实现了6中功能，包括静态图片特征点的检测，视频中特征点的检测，图片之间的匹配，视频与图片之间的匹配
k-mediods
- 用于图像特征的K中心点聚类(k-mediods)的matlab实现。-k-mediods implements by matlab, used for cluster of image feature
UyghurTextDetection
- 利用Harris角点检测出维吾尔文视频图像中的角点，这些角点可能包含维吾尔文也可能不包含维吾尔文，将文字角点聚类成为文字区域，最后利用维吾尔文的基线特征来验证是否是真实的文字区域。-By Harris corner detection Uighur video image corner, these corners may contain the baseline characteristics of the Uighur Uighur may not contain Uighur text c
Ncut-Clustering
- 随机点的生成，基于图形的规范化分割使点聚类-product random points, graph-based for points segment and points clustering
FCM,模糊C均值聚类的MATLAB实现[matlab]-FCM
- 模糊c-均值聚类算法 fuzzy c-means algorithm (FCMA)或称（ FCM）。在众多模糊聚类算法中，模糊C-均值（ FCM） 算法应用最广泛且较成功，它通过优化目标函数得到每个样本点对所有类中心的隶属度，从而决定样本点的类属以达到自动对样本数据进行分类的目的。(Fuzzy c-means algorithm (FCMA) or FCM. Among many fuzzy clustering algorithms, the fuzzy C-means (FCM) algor
dbscan
- DBSCAN(Density-Based Spatial Clustering of Applications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同，它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。(Classical clustering algorithm)
04657872GAFCM
- 遗传算法改进的模糊C-均值聚类MATLAB源码.模糊C-均值算法容易收敛于局部极小点，为了克服该缺点，将遗传算法应用于模糊C-均值算法(FCM)的优化计算中，由遗传算法得到初始聚类中心，再使用标准的模糊C-均值聚类算法得到最优分类结果。(Improved genetic algorithm and fuzzy C- means clustering MATLAB source. The fuzzy C- means algorithm is easy to converge to local m
dbscan
- 利用该程序可以实现大数据下的三维点云及二维数据的密度聚类，并对聚类后的结果进行准确提取(Using this program, the density clustering of three-dimensional point clouds and two-dimensional data can be realized, and the clustered results can be accurately extracted.)
改进的基于划分算法的三维点云聚类matlab实现
- 根据网上基于划分法k-means的聚类算法，我做了改进。可以预设一个最大的类数和一个半径，自动划分合适的类。最终将随机三维点云聚类完成后显示为不同颜色。(According to the clustering algorithm based on partition K-means on the Internet, I improved it. A maximum number of classes and a radius can be preset to automatically divi
kmeans
- 利用k均值聚类算法对数据进行聚类分析（数据点通过随机生成）(Using k-means clustering algorithm to cluster data (data points are generated randomly))
DBSCAN算法Matlab实现
- 基于密度的聚类算法 它将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类(Density based clustering algorithm It defines the cluster as the largest set of density connected points, and can divide the region with enough high density into clusters, and can f
c+=
- k-means c++, 聚类算法-含代码说明。聚类（Cluster）分析是由若干模式（Pattern）组成的，通常，模式是一个度量（Measurement）的向量，或者是多维空间中的一个点。(k-means c++,Partitioning Methods,Hierarchical Methods,density-based methods,grid-based methods,Model-Based Methods)