1) dynamic K-means clustering
动态K-均值聚类
2) dynamic k-means cluster
动态K均值聚类
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：动态模糊聚类法
分子式：
CAS号：
性质：又称动态模糊聚类法。选定一批聚类中心，其指标能反映该类的特征，将样本向最近的聚类中心聚类。再根据分类结果确定新的聚类中心，其各项指标为该类中所有样本的相应指标的平均值。然后计算前后两聚类中心的差异，如差异大于某一阈值，说明分类不合理，需修改分类，即以新的聚类中心代替旧的聚类中心，直到前后两聚类中心的差异小于某一阈值，认为分类合理，从而终止分类过程。
CAS号：
性质：又称动态模糊聚类法。选定一批聚类中心，其指标能反映该类的特征，将样本向最近的聚类中心聚类。再根据分类结果确定新的聚类中心，其各项指标为该类中所有样本的相应指标的平均值。然后计算前后两聚类中心的差异，如差异大于某一阈值，说明分类不合理，需修改分类，即以新的聚类中心代替旧的聚类中心，直到前后两聚类中心的差异小于某一阈值，认为分类合理，从而终止分类过程。
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