搜索资源列表
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
ClusterAnalysis
- 现在我们给定两幅ALV路标的捕捉图像，我们实际工作中首先要捕获路标（这里我们假定环境中已经有路标），而此时的景象是难以预知的：我们不知道路标在什么位置、是什么路标、除了路标还有那些图像模式？ 基本要求：使用本章学习的K－平均算法，以颜色分量（或几何性状）作为坐标参数，对景象图进行聚类分析，要求最后的分类结果将路标（可能包括少量相似区域）聚类为一个模式类别。试验报告同前面一样，要求给出样本模式点，绘制坐标图（标出各个聚类中心的迭代移动轨迹） ，绘制算法框图，给出结论。并检查上机结果。 -e
Kmeans
- 基于Kmeans算法的图像分割，一般Kmeans是数据挖掘中用来聚类的，本试验利用图像中的灰度值作为Kmeans算法的原始点，进行图像分割-Kmeans algorithm based on image segmentation, data mining in general Kmeans is used to clustering, the trial use of the image gray value as the original algorithm Kmeans spots for
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
loc_im_MSfilter
- 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，同时把包含像素点太少的类去掉。然后，采用阈值化分割的方法对图像进行二值化处理。-Mean Shift Based on the process of image segmentation is the first to use the image Mean Shift algorithm for clustering of pixe
im_MSfilter
- 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，同时把包含像素点太少的类去掉。然后，采用阈值化分割的方法对图像进行二值化处理 -Mean Shift Based on the process of image segmentation is the first to use the image Mean Shift algorithm for clustering of pixe
iriscode
- Matlab提供了两种方法进行聚类分析。 一种是利用 clusterdata函数对样本数据进行一次聚类，其缺点为可供用户选择的面较窄，不能更改距离的计算方法； 另一种是分步聚类：（1）找到数据集合中变量两两之间的相似性和非相似性，用pdist函数计算变量之间的距离；（2）用 linkage函数定义变量之间的连接；（3）用 cophenetic函数评价聚类信息；（4）用cluster函数创建聚类。 -Matlab provides two methods of cluster anal
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
Cluster
- 此程序的功能是实现对图像的聚类分析，通过提取图像中不同的特征，实现聚类，将图像中的各像素点划分到不同的类中。-This program' s function is to achieve the image of the cluster analysis, different by extracting image features, to implement clustering, the image of the pixels assigned to different classes
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
matlab_k_clustering
- 基于matlab的k中心点聚类算法，适于matlab和聚类分析的入门学习-failed to translate
HarrisDetector
- Harris角点检测是一种经典的角点检测方法，该代码中包含 1.原始的直接调用OpenCV实现角点检测； 2.封装自定义类来改进角点检测； 3.实现了增加容忍距离解决特征点聚类是角点分布均匀-Harris corner detection is a classical corner detection method, the code contained 1. The original of directly calling OpenCV corner detection to
SLIC_segment
- SLIC 超像素分割算法，在MATLAB平台上实现的算法，其核心为：首先均匀地指定聚类中心，然后根据features将周围的点聚类。- SLIC super pixel segmentation algorithm implemented on the MATLAB platform, the core idea is: first to specify the cluster center, and then according to the features clustering aro
点聚类
- 对图像中的检测点进行聚类，生成图像框，基于opencv(Clustering the image detection points to generate rect based on OpenCV)
cluster_extraction
- 利用pcl对点云数据进行聚类分割，建立索引得到分割后的各个物体构建(Clustering and segmentation of point cloud data using PCL)
ZPclustering
- 实现点的聚类，并用做图像分割，来源是文章：Self-Tuning Spectral Clustering (作者: Lihi Zelnik-Manor, Pietro Perona )(point clustering and image segmentation, algorithm is from paper:Self-Tuning Spectral Clustering(author: Lihi Zelnik-Manor, Pietro Perona ))
AP聚类
- AP聚类算法是基于数据点间的"信息传递"的一种聚类算法。与k-均值算法或k中心点算法不同，AP算法不需要在运行算法之前确定聚类的个数。(AP clustering algorithm is a kind of clustering algorithm based on "information transfer" between data points. Unlike the k- mean algorithm or the k center point