搜索资源列表
noseecluster
- 聚类分析技术有着广泛应用.因为在对图像进行聚类分析时,通常缺少可资利用的先验知识,所以需要采用无监督的聚类算法.为了适应图像检索的需要,提出了一种新型的无监督聚类方法,即根据离群点信息来自动确定聚类算法的终止时机.此方法还弥补了现有聚类算法在离群点识别、使用上的缺欠.为验证其可行性,用其改进了CURE和ROCK两个经典算法.实验表明,改进后的两个算法都能自动终止,并能取得优于以往的聚类效果. -clustering analysis techniques have wide applicatio
ISODATA
- 在各种聚类算法中，ISODATA可以说是应用最广泛的。以与代表点的最小距离作为样本聚类的依据，因此比较适合各类物体在特征空间以超球体分布的方式分布，对于分布形状较复杂的情况需要采用别的度量。
CQPOCS
- 用于特征点配准的快速聚类凸集投影算法,研究充分值得借鉴，自动化学报．
ISODATA1
- ISODATA聚类快速实现代码，运行test_isodata观测测试结果，算法可用于点模式匹配前的特征分类。
FuzzyEntropyBasedPost-ProcessingMethodforC-MeanClu
- 提出了一种结合C2均值聚类算法和模糊熵的图像分割方法, 该方法先采用C2均值聚类算法对含噪图像进行初步分割, 再利用模糊熵准则作后续处理。该方法一方面能够继承C2均值聚类算法的优点, 可以灵活地用在基于多特征和多阈值的图像分割中, 另一方面充分考虑了图像的区域信息, 利用模糊熵最小作为准则, 对C2均值聚类算法初步分割结果的错分类点作了进一步的处理, 克服了C2均值聚类算法对噪声敏感的缺点。实验结果表明,本文方法在运算开销上只比C2均值聚类算法多4～ 6 s, 对于低信噪比的图像能够取得优于C2
KmeansImageSegmentation
- 基于Opencv实现的k-means聚类图像分割算法，可自定义聚类个数，根据像素点的位置和颜色进行聚类
segmentation
- 介绍了视觉颜色空间及其在交互式图像分割中的作用, 实验分析了它的奇异性, 在此基础上, 考虑像素的 空间和色彩分布, 提出了基于区域生长法的多颜色空间、 多度量准则的聚类算法和零碎区域的合并算法, 颜色空间选取HSL 和RGB 两种, 相似性度量包括了种子点、 扩张点和生长区域三个方面, 并用于敦煌壁画图像的分割.
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
fcm
- 介绍几种模糊c均值聚类算法，利用该算法进行点云以及图像的分割。-fuzzy c means clustering
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
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
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