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
Mean-shift-research-and-applications
- ：对均值漂移算法的理论和应用作一全面的综述．首先根据密度函数的非参数估计推导出均值漂移公式的一 般形式，说明了均值漂移迭代算法的步骤及收敛性；然后重点讨论核函数的选择以及带宽矩阵的计算等关键技术；最 后归纳了均值漂移算法在模式检测、聚类、图像分割以及物体实时跟踪等方面的应用，并展望了均值漂移算法在理论和应用中的研究方向．-Clustering thesis
improved-MSER-algorithm-
- 本文在比较多种仿射不变性区域的基础上，选取最大稳定极值区域(MSER)对图像内容进行分割和提取，并通过构造仿射不变量的方法，对提取出来的区域进行规整化，进而从规整化的区域中提取SIFT描述子，然后根据匹配目标的需要进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量，从而把图像匹配问题转化为特征的匹配问题 通过改进的K均值算法对特征向量进行聚类，聚类中心作为图像的视觉关键词:利用视觉关键词的思想，把文本检索技术领域的方法移植到图像检索应用上；并研究视觉关键词之间的空间约束关系。-Most r
Code-Segmentation
- 基于WFCM的最优阈值图像分割 阈值化是图像分割中广泛应用的一种有效工具。基于类别可分性准则的Otsu法是性能良好且受到普遍欢迎的自动阈值选择方法。Otsu方法与c均值聚类算法的准则在一定条件下是等价的，而c均值聚类算法还可以快速实现分割问题。目前人们提出了很多基于c均值聚类准则的图像阈值化方法，其中模糊c均值（FCM）是最流行的算法之一。但是FCM算法没有考虑样本矢量间对聚类效果的不同影响，因而使用加权模糊c均值（WFCM）来解决这个问题。-Optimal threshold image se
K-means_learning
- 演示Kmeans聚类算法在计算机视觉中的应用 ,实现如何利用Kmeans聚类实现图像的分割-Demo Kmeans clustering algorithm in computer vision to realize how to use clustering to achieve image segmentation Kmeans
kmeansdemo
- kmeans聚类算法在计算机视觉中的应用，实现图像分割，matlab2012版本，可测试运行。-Kmeans clustering algorithm in the application of computer vision, image segmentation, matlab2012 version, test run.
K均值聚类在基于OpenCV的图像分割中的应用
- 介绍了传统的图像分割与K-均值聚类算法分割，然后利用OpenCV函数将其实现，并介绍了OpenCV中图像分割相关的基本函数。(This paper introduces the segmentation of traditional image segmentation and K- mean clustering algorithm, then uses OpenCV function to implement it, and introduces the basic functions of
聚类算法在图像分割中的应用
- MATLAB程序/聚类算法在图像分割中的应用/主要用于图像聚类(MATLAB/clustering algorithm is used in image segmentation for image clustering)