注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. python计算机视觉.pdf

  2. 高清完整版，极力推荐。 第1 章　基本的图像操作和处理 .....................................................................................................1 1.1　PIL：Python 图像处理类库.................................................................................................

  3. 所属分类：Python

    • 发布日期：2017-09-22
    • 文件大小：29mb
    • 提供者：donggua209

  1. 3种K-MEANS算法分割图像

  2. 3种K-MEANS算法解决图像分割问题 k-m1:将rgb图像进行图像分割 k-m2：将灰度图像进行图像分割 simple：简化程序 k-mean：聚类函数 houghbh：霍夫变换 by：边缘检测 记得更改程序内图片的路径

  3. 所属分类：专业指导

  1. 基于K-means聚类算法的图像分割及其MATLAB实现

  2. 基于K-means聚类算法的图像分割 算法的基本原理：  基于K-means聚类算法的图像分割以图像中的像素为数据点，按照指定的簇数进行聚类，然后将每个像素点以其对应的聚类中心替代，重构该图像。 算法步骤： ①随机选取K个初始聚类中心； ②计算每个样本到各聚类中心的距离，同时将每个样本归到与其距离最近的聚类中心； ③对每个簇，以所有样本的均值作为该簇新的聚类中心； ④重复第②~③步,直到聚类中心不再变化； ⑤结束，得到K个聚类。

  3. 所属分类：算法与数据结构

    • 发布日期：2018-03-05
    • 文件大小：224kb
    • 提供者：qq_41268867

  1. 聚类算法：K-means聚类图像分割

  2. 1 K-Means聚类 K-Means聚类是最常用的聚类算法，最初起源于信号处理，其目标是将数据点划分为K个类簇，找到每个簇的中心并使其度量最小化。该算法的最大优点是简单、便于理解，运算速度较快，缺点是只能应用于连续型数据，并且要在聚类前指定聚集的类簇数。 下面是K-Means聚类算法的分析流程，步骤如下： 第一步，确定K值，即将数据集聚集成K个类簇或小组。 第二步，从数据集中随机选择K个数据点作为质心（Centroid）或数据中心。 第三步，分别计算每个点到每个质心之间的距离，并将每个点划分到

  3. 所属分类：其它

    • 发布日期：2020-12-22
    • 文件大小：156kb
    • 提供者：weixin_38639642

  1. 基于组合聚类的cDNA微阵列图像分割方法

  2. 通过同时分析数千种基因表达，微阵列技术在得出有用的生物学结论中起着重要作用。 特别地，图像分析是微阵列分析中的关键步骤，其准确性在很大程度上取决于分割。 基于聚类的分割的开创性工作表明，k-means聚类算法和移动k-means聚类算法是微阵列图像处理中的两种常用方法。 然而，由于真实的微阵列图像包含大小，形状和对比度不同的噪声，伪像和斑点，因此它们通常面临令人满意的结果。 为了提高分割精度，在本文中，我们提出了一种基于组合聚类的分割方法，该方法可能更可靠并且能够自动分割斑点。 首先，这种新方法

  3. 所属分类：其它

  1. 基于聚类的“图像分割”案例——K-means聚类算法

  2. 图像分割：利用图像的灰度、颜色、纹理、形状等特征，把图像分成若干个互不重叠的区域，并使这些特征在同一区域内呈现相似性，在不同的区域之间存在明显的差异性。然后就可以将分割的图像中具有独特性质的区域提取出来用于不同的研究。 1. 应用 1.1. 在机车检验领域，可以应用到轮毂裂纹图像的分割，及时发现裂纹，保证行车安全。 1.2. 在生物医学工程方面，对肝脏CT图像进行分割，为临床治疗和病理学研究提供帮助。 2. 图像分割常用方法 2.1. 阈值分割 ：对图像灰度值进行度量，设置不同类别的阈值，达到分

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：179kb
    • 提供者：weixin_38588854