当前位置：
首页 资源下载
搜索资源 - image clustering of k-means
搜索资源列表
-
0下载：
国外的一个图像K均值聚类的C++源代码，非常容易集成和使用，适合模式识别、图像处理等方面的开发！-an image abroad of K-means clustering of C source code, and is easy to integrate and use, suitable for pattern recognition, Image processing, and other aspects of development.
-
-
0下载：
通过将一幅图像的sift特征提取出来，然后对他们采用k均值方法进行聚类,By an image feature extraction sift out, and then on their way to the use of k-means clustering
-
-
1下载：
K-meansK均值聚类在无监督的情况下选择图像特征的算法-K-meansK means clustering in the case of unsupervised image feature selection algorithm
-
-
0下载：
K均值聚类算法 由于对纹理图像使用灰度共生矩阵分割效果不明显 因此该算法使用图像频域进行处理-K-means clustering algorithm because of the texture image segmentation using the gray co-occurrence matrix effect was not obvious, therefore use the algorithm for processing images in frequency domain
-
-
0下载：
usefull k-mean algorithm developed for image clustering using java
-
-
0下载：
k-均值聚类法用于各种图像的聚类、分割问题，希望可以对您有利-k-means clustering method for a variety of image clustering, segmentation
-
-
1下载：
将K均值算法用于图像分割,输入的是彩色图像,转换为灰度图像进行分割,输出结果为灰度图像.利用灰度做为特征对每个像素进行聚类,由于光照等原因,有时应该属于一个物体的像素,其灰度值也会有很大的差别,可能导致对该像素的聚类发生错误.在分割结果中,该物体表面会出现一些不同于其它像素的噪声点,因此,算法的最后,对结果进行一次中值滤波,以消除噪声,达到平滑图像的作用-The K means algorithm for image segmentation, the input is a color imag
-
-
0下载：
In this project ,we propose a color based segmentation method that uses the c means clustering technique to track tumor objects in magnetic resonance (MR) brain images. The key concept in this color based segmentation algorithm with k means means to
-
-
0下载：
对电路板的图像进行分割，可以提取电路板中的目标物，以对电路板进行检测。文章使用K均值聚类算法完成对电路板图像的分割，针对传统的K均值聚类算法的不足，提出了使用直方图波形的有效波峰个数来确定K值的大小，并通过使用一种比传统的绝对误差的表示更简洁的表达式，达到了快速分割的目的。对一些电路板图像分割的实验结果表明，文章的方法能够根据目标物的数目有效的确定K值的大小，且比传统的K均值算法减少了运算量及计算时间。-On the circuit board image segmentation, to ex
-
-
0下载：
模式识别经典方法之一 K均值算法（KMeans）进行图像分割 有完善的图形界面 可以通过柱状图的形式动态展示聚类程序-One of the classical method of pattern recognition K means algorithm (KMeans) for image segmentation has improved graphical interface can be dynamically displayed in the form of histogram clu
-
-
0下载：
KMeans图像聚类分割：用K-Means聚类方法来对图像进行分割。主要是对图像的颜色进行聚类。开发环境：VC6，需要安装OpenCV。-KMeans clustering in image segmentation: with K-Means clustering approach to image segmentation. Mainly the color of the image cluster. Development Environment: VC6, need to install
-
-
0下载：
code for image clustering using k-means
-
-
0下载：
K-means算法是一种动态聚类方法，这种方法先选择若干样本作为聚类的中心，在按某种聚类准则（通常采用最小距离原则）使各种样本向各个中心积聚，从而得到初始的分类，然后，判断分类的合理性，如果不合理，就修改分类，如此反复的修改聚类的迭代运算，直到合理为止。-K-means algorithm is a dynamic clustering method, this method, select the number of samples as a cluster center in the clu
-
-
0下载：
图像的非监督分类，主要包括K均值、FCM等-Unsupervised classification of images, including K-means, FCM
-
-
0下载：
国外的一个图像K均值聚类的C++源代码，非常容易集成和使用，适合模式识别、图像处理等方面的开发！-an image abroad of K-means clustering of C source code, and is easy to integrate and use, suitable for pattern recognition, Image processing, and other aspects of development.
-
-
0下载：
Clustering is a way to separate groups of objects. K-means clustering treats each object as having a location in space. It finds partitions such that objects within each cluster are as close to each other as possible, and as far from objects in other
-
-
0下载：
此代码为matlab代码，分为两个部分。第一部分实现K均值聚类算法应用它来压缩图像。在第二部分中，你将使用主成份分析法pca来实现人脸图像的低维表示。
-This code for the matlab code, is divided into two parts. The first part of the implementation of the K means clustering algorithm to compress the image. In the second par
-
-
1下载：
将K-means聚类算法应用于图像的分割，留有较多的其他特征接口。-The K-means clustering algorithm is applied to image segmentation, leaving more other features of the interface.
-
-
0下载：
一种k-means聚类算法的图像分割例程，很好用。里面包括主函数和子函数的m文件以及使用的图片。-One kind of k-means clustering image segmentation algorithm routines, very good use. Which includes the main functions and subroutines m documents and pictures used.
-
-
0下载：
K-means算法是很典型的基于距离的聚类算法，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大(K-means algorithm is a typical distance based clustering algorithm. The distance is used as the evaluation index of similarity, that is, the closer the distance between the two objects, the
-
