K-means cluster

应用背景kmeans是最简单的聚类算法之一，但是运用十分广泛。最近在工作中也经常遇到这个算法。kmeans一般在数据分析前期使用，选取适当的k，将数据分类后，然后分类研究不同聚类下数据的特点。聚类，简单地说就是把相似的东西分到一组，同 Classification (分类)不同，对于一个 classifier ，通常需要你告诉它“这个东西被分为某某类”这样一些例子，理想情况下，一个 classifier 会从它得到的训练集中进行“学习”，从而具备对未知数据进行分类的能力，这种提供训练数据的过程通常叫做 supervised learning (监督学习)，而在聚类的时候，我们并不关心某一类是什么，我们需要实现的目标只是把相似的东西聚到一起，因此，一个聚类算法通常只需要知道如何计算相似 度就可以开始工作了，因此 clustering 通常并不需要使用训练数据进行学习，这在 Machine Learning 中被称作 unsupervised learning (无监督学习)。关键技术kmeans是最简单的聚类算法之一，但是运用十分广泛。最近在工作中也经常遇到这个算法。kmeans一般在数据分析前期使用，选取适当的k，将数据分类后，然后分类研究不同聚类下数据的特点。

基于概率框架的立体视觉匹配和运动估计方法

C++代码，源码在VC6.0环境下可以运行成功，实现了灰度图像边缘检测的功能，代码中用了两种不同算法实现边缘检测的功能。课设用代码，代码已验证，保证能运行。

在这里，我将附上用于jpeg标准的使用dct技术的图像压缩的matlab代码…这是我的b tech项目标题。测量并比较了不同类型图像的压缩比、PSNR、MSE等参数；

OPENCV2.4.8+VS2012编写，基于HOG特征的人群检测，效果不是很好，用于初学者熟悉OPENCV。

特征选择也叫特征子集选择 ( FSS , Feature Subset Selection ) 。是指从已有的M个特征(Feature)中选择N个特征使得系统的特定指标最优化。向后搜索（ SBS , Sequential Backward Selection ）：从特征全集O开始，每次从特征集O中剔除一个特征x，使得剔除特征x后评价函数值达到最优。向前搜索（ SFS , Sequential Forward Selection ）：特征子集X从空集开始，每次选择一个特征x加入特征子集X，使得特征函数J( X)最优。简单说就是，每次都选择一个使得评价函数的取值达到最优的特征加入，其实就是一种简单的贪心算法。

在做织物疵点检测的过程中首先采用自适应分割法确定出疵点所在的ROI区域，再对ROI区域进行奇异值分节，从而提取出疵点的形状和位置

应用背景一个写承诺的眼睛检测和模板匹配的Android教程。由于OpenCV的Android是越来越好，一些代码片段可以是旧的，不是最好的解决问题的方法。如果您发现了一些改进，请评论或联系我，我将编辑这篇文章，分享给别人。我们采取标准的人脸检测和OpenCV的例子延伸一点。Android SDK可以在opencv  发现http://sourceforge.net/projects/opencvlibrary/files/opencv-android/；如果你arent"n熟悉Eclipse和OpenCV的呢，请阅读 ；  opencv4android的基本设置；第一。进口面检测样品，以蚀和清洗/建设项目确保正确进口和工作。正如你可以在视频中，有一些不同的图形用户界面对纯样品。有一个滑块可以很容易地改变匹配方法和按钮来重新创建眼睛模板。关键技术Android SDK Java OpenCV图像处理

点目标成像，匹配滤波，加窗函数。数字图像处理。雷达信号处理初学者适用。点目标成像，匹配滤波，加窗函数。数字图像处理。雷达信号处理初学者适用。点目标成像，匹配滤波，加窗函数。数字图像处理。雷达信号处理初学者适用。点目标成像，匹配滤波，加窗函数。数字图像处理。雷达信号处理初学者适用。

资源描述本代码为人工神经网络代码，重点用在图像识别，图像分类方面其中包括ANN的数字字符识别系统代码，其他的代码都是为学者提供学习的参考。