|
|
1) K-mean classification
K-均值分类
2) K-means clustering segmentation
K均值聚类分割
1.
(2) This paper focuses on the Canny edge detection algorithm、threshold segmentation algorithm、K-means clustering segmentation algorithm etc, and improved them, so for meeting the conditions of automatic extraction of road features from high-resolution images.
本文的主要内容有:(1)在对影像进行分割之前首先进行预处理,预处理对分割效果将会产生较大影响,尤其在影像增强方面,所以本文总结了一些较为成功的影像增强方法,并分别采用遥感影像直方图均衡化以及数学形态学方法对影像进行增强处理;(2)本文对高分辨率遥感影像Canny边缘检测算法、阈值分割算法、K均值聚类分割算法等进行了重点研究,并对其进行了改进,以适合高分辨率遥感影像道路特征自动提取的条件;(3)实践证明,任何一种分割方法都很难得到令人满意的分割效果,而将某些分割方法融合应用能取得较好的分割结果。
3) K-means clustering analysis
K均值聚类分析
1.
Traditional K-means clustering analysis is sensitive to the initial central points.
传统的K均值聚类分析对于初始聚类的中心点比较敏感,借助于遗传算法能够搜索到全局最优解的特点,可以克服传统方法的缺点。
4) k-mean clustering
k均值聚类
1.
The combined algorithm that changes thresholding based on histogram into thresholding based on H in HSI color space and selects the pixels according to its R,G,B value,before thresholding;Three kinds of algorithms in image segmentation were analyzed by testing,including K-mean clustering based on RGB color space proposed by Liju Dong,etc,thresholding based on histogra.
提出一种混合算法,将一种基于灰度直方图的阈值化分割算法应用到了HSI颜色空间上,利用H进行阈值化,在阈值化之前,先根据R、G、B值对像素进行了筛选;文章应用董立菊等人提出的-种基于RGB空间的K均值聚类算法、一种基于灰度直方图的阈值化算法和混合算法,以目标颜色为特征,对彩色图像进行了分割;针对特定的视频跟踪系统,对各结果进行了比较,得出了结论,找出了较优算法——混合算法效果较理想,能够较有效的分割目标,为后续跟踪工作做好了前期处理工作。
2.
At last blocks are classified by K-mean clustering method.
首先对图像做小波变换和重构,并抽取字幕区域特征,再分块计算统计特征;然后对子块进行K均值聚类,实现字幕区域分割。
3.
In this paper,we first present a fast K-mean clustering algorithm by using Partial Distortion Search(PDS) to complete the nearest neighbor searching in traditional K-mean clustering algorithm.
利用部分失真搜索求解传统K均值聚类算法中的最近邻搜索问题,显著地减少了传统算法的乘法次数,从而提高了聚类速度;然后用改进后的聚类算法来加速分形编码:首先将定义域块聚类并为每个类建立一棵KD-Tree,编码时对每个值域块先后用部分失真搜索与近似最近邻搜索得到与其距离最近的若干KD-Tree及其上的若干最近邻,而其最优匹配块即由后者产生。
5) K-means cluster
K均值聚类
1.
When being segmented by K-means clustering algorithm,points cloud dataset with conglomeration feature presents a better segmentation.
论文指出,对于分布呈现类内团聚状三维点云模型,K均值聚类分割可以得到较好的结果。
2.
First,we compute the LVPS dictionary by K-means clustering.
首先,利用K均值聚类算法获得LVPS dictionary;然后,利用获得的LVPS对人脸进行建模,该方法比传统的建模方法计算更简单;最后,利用分块后的LVPS加权直方图索引进行人脸识别。
3.
A multiple kernel SVM based on K-means cluster algorithm was proposed.
考虑到乳腺微钙化簇样本分布不平衡以及特征的多样性,提出了基于K均值聚类的多核支持向量机。
6) k-means clustering
K-均值聚类
1.
Chinese text chunking based on improved K-means clustering;
基于改进K-均值聚类的汉语语块识别
2.
Semi-supervised improved K-means clustering algorithm
半监督的改进K-均值聚类算法
3.
Methodology study on instance retrieval of conceptual design based on roughness set and K-means clustering
基于粗糙集和K-均值聚类的概念设计实例检索方法研究
补充资料：均值不等式
几个重要不等式(一) 一、平均值不等式 设a1,a2,…, an是n个正实数，则，当且仅当a1=a2=…=an时取等号 1.二维平均值不等式的变形 (1)对实数a,b有a2+b2³2ab (2)对正实数a,b有 (3)对b>0，有， (4)对ab2>0有， (5)对实数a,b有a(a-b)³b(a-b) (6)对a>0,有 (7) 对a>0,有 (8)对实数a，b有a2³2ab-b2 (9) 对实数a，b及l¹0，有 二、例题选讲 例1.证明柯西不等式 证明：法一、若或命题显然成立，对¹0且¹0，取 代入(9)得有 两边平方得 法二、，即二次式不等式恒成立 则判别式 例2.已知a>0,b>0,c>0,abc=1,试证明： (1) (2) 证明：(1)左=[] = ³ (2)由知 同理： 相加得：左³ 例3.求证： 证明：法一、取，有 a1(a1-b)³b(a1-b), a2(a2-b)³b(a2-b),…, an(an-b)³b(an-b) 相加得(a12+ a22+…+ an2)-( a1+ a2+…+ an)b³b[(a1+ a2+…+ an)-nb]³0 所以 法二、由柯西不等式得： (a1+ a2+…+ an)2=((a1×1+ a2×1+…+ an×1)2£(a12+ a22+…+ an2)(12+12+…+12) =(a12+ a22+…+ an2)n, 所以原不等式成立 例4.已知a1, a2,…,an是正实数，且a1+ a2+…+ an<1，证明： 证明：设1-(a1+ a2+…+ an)=an+1>0, 则原不等式即nn+1a1a2…an+1£(1-a1)(1-a2)…(1-an) 1-a1=a2+a3+…+an+1³n 1-a2=a1+a3+…+an+1³n ………………………………………… 1-an+1=a1+a1+…+an³n 相乘得(1-a1)(1-a2)…(1-an)³nn+1 例5.对于正整数n，求证： 证明：法一、 > 法二、左= = 例6.已知a1,a2,a3,…,an为正数，且，求证： (1) (2) 证明：(1) 相乘左边³=(n2+1)n 证明(2) 左边= -n+2( = -n+2×[(2-a1)+(2-a2)+…+(2-an)]( ³ -n+2×n
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条
|