搜索资源列表
将维对分和K均值算法分割图像
- 利用聚类算法分割图像，将维对分法只可将图像分为2部分，可以作为二值化的代码,K-均值法可将图像分为任意多部分。程序直接采用R、G、B三色作为特征参数，聚类中心为随机值，当然也可以采用其他参数，程序编译为EXE文件后速度还可以接受，但尚有改进的余地，那位高手有空修改的话，请给我也发份代码。-clustering algorithm using image segmentation, Victoria right method can only image is divided into two p
3DLensFlareWithOcclusionTesting
- 3D Lens Flare With Occlusion Testing Learn how to do lens flares by extending a glCamera class. If you look at a lens flare you will notice that they all share one thing in common. They all seem to move through the center of the screen. With this
A2008
- awimg=rgb2gray(im1) tic [accum, circen, cirrad] = CircularHough_Grd(rawimg, [20 30],5,50) circen toc figure(1) imagesc(accum) axis image title( Accumulation Array from Circular Hough Transform ) figure(2) imagesc(rawimg) co
vbengine
- vb演示运动----插床机构 在图示插床机构中，滑块5的移动导路ee通过铰链中心C，且垂直于AC。B、C、D 三点共线。导杆机构ABC的两连架杆可作整周转动，AB为原动件，以ω1等速转动。若要求滑块的行程s=154mm，行程速比系数K=1.5，B点轨迹与导路ee的交点B1，B2之间距B1B2=2s。试综合满足这一条件的插床机构并演示其运动。-vb demonstration sport---- slotter slotting machine agencies agencies in the
KNNMeanFilter
- 原理：以待处理的像素作为中心，取一个nXn的模板，在模板中选择k个与待处理像素的值最接近的像素，将这k个像素的均值替换原来的像素值。 假设n=3，k=5，调用方法：b = KNNMeanFilter(a, 3, 5)-Principle: to be treated as the center pixel, take a nXn template select the template and the pending k-nearest pixel values of pixels, thi
code
- 报童问题的计算机建模仿真：一个报童从报刊发行中心订报后零售，每卖一份报纸可赚钱a元；若报纸卖不出去，则退回发行处，每退一份要赔钱b元。每天报童卖出的份数是随机的，但报童可以根据以往卖报情况统计得到每天卖k份报纸的概率密度p(k)。-Newsboy problem of computer modeling and simulation: a newsboy from a press release after the retail center of newspaper subscr iption
opengl
- 绘制一个多边形,实现以下变换:a) 按字母U或u进行旋转轴的切换：旋转轴为垂直于屏幕的直线，过当前窗口中心或者过物体中心（通过按U/u在两种可能中切换）。改变旋转轴后的变换是在以前发生所有变换的基础上累加进行的。b) 按字母R或r, 物体绕旋转轴分别旋转一个小角度d0或者-d0。 c) 按向上、下、左、或右方向键，物体相对于屏幕向上、下、左、或右平移固定长度L0。d) 按S或s实现物体绕自身中心放大为原来的k或1/k倍，其中k>1为放缩因子。e) 如果按字母i或I, 则取消之前b,c,
kmeans-image-segmentation
- 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
reco
- MRI 读入k空间数据调整中心并进行傅里叶变换显示图像-MRI k-space data is read into the center and adjust the display image Fourier transform
kkk
- k均值聚类，类数可以自行指定，结果显示聚类中心-K-means clustering, the class number can be specified on its own, and the results showed that the clustering center
kjunzhi
- k均值聚类，聚为2类，结果显示散点图，红色十字表示聚类中心-K-means clustering, the class number is 2, and the results showed that the clustering center
kjunzhiduolei
- k均值聚类，类数可以自行指定，输出散点图，红色十字为聚类中心-K-means clustering, the class number can be specified on its own, the output scatterplot chart, and the Red Cross for clustering center
Kmeans
- k均值聚类算法，可以有效的找到聚类中心，并且把两类聚在一起，很经典实用。-k-means clustering algorithm, can effectively find the cluster center, and the two categories together, very classic.
secai
- 简单的K均值聚类法，本文中选用了5个聚类中心点，具体的聚类中心个数可以参考灰度直方图来选取-Simple K-means clustering method, this paper has selected five cluster center, the specific number of cluster centers can refer to the histogram to select
wkmeans
- 加权系数k均值算法，自动确定初始类中心，基于图像直方图的快速k均值算法-Weighted coefficient of k-means algorithm automatically determines the initial type of center, based on image histogram fast k-means algorithm
background-model3
- 针对背景差法易受外界环境因素影响的缺点, 提出了一种基于改进K-均值聚类的背景建模方法。通过比较任意样本与该像素位置处的子类中心之间的距离, 对各个像素的观察值进行聚类, 并在聚类过程中逐步确定其类别数。一段时间的学习之后, 样本数最多的子类就构成了背景模型。仿真结果表明, 该算法即使在运动目标存在的情况下也能准确的提取出实际的 背景, 而且显著地降低了系统的存储量。-Aimed at the disadvantage that background subtraction was liab
K_mean
- k均值代码，简单易懂，鼠标右键选择聚类中心-k-means code, easy to understand, right mouse button to select the cluster center
pcnn
- 利用pcnn，每当有一批像素对应的神经元点火，对像素值进行一次修正。第n次点火的所有神经元用矩阵B（n）表示， 已经点火的像素位置标记为‘1’，未点火的标记为‘0’。通过一个3*3的模板滑过B（n），判断若模板内的值全为‘1’或全为‘0’， 则这些像素值不进行处理，否则若模板中心的值为‘1’，则增加该位置的像素值的大小，中心值为‘0’，则减小像素值。该功能由xiugai(B,K)函数实现 Beta取负值来抑制周围的神经元点火，因为输入pcnn（X）的是模糊图像，抑制之后使处理的
K-MeansPP
- K均值算法的实现，其中实现随机获取聚类中心-Realizing the K-means algorithm, which realize stochastic get clustering center
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