基于k means的聚类图像分割计算生物多样性

基于opencv3实现基于聚类的图像分割，k-means聚类效果好，但需要注意需认为设定聚类数量，可在代码中更改。

在数据挖掘算法中,K均值聚类算法是一种比较常见的无监督学习方法,簇间数据对象越相异,簇内数据对象越相似,说明该聚类效果越好。然而,簇个数的选取通常是由有经验的用户预先进行设定的参数。本文提出了一种能够

图像高维数据的K-means自适应聚类算法

基于K-means的图像分割程序，可以实现灰度图像分割

压缩包包含2个文件,分别是K-means函数文件及图像分割样例程序文件,分割效果为二值化图像,适合初学者。

k均值聚类算法(k-means clustering algorithm)是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类

用模拟退火k-means聚类算法实现样本库的聚类。

针对私人微博内容进行聚类研究,结合私人微博的内容和结构特点提出了基于K-means的改进聚类算法。通过添加引用和评论内容丰富了文本内容,降低了短文本矩阵向量严重稀疏性带来的聚类算法准确性降低的影响;通

k-means算法接受参数k；然后将事先输入的n个数据对象划分为k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个

Cluster-based road sign detection (K-means) (MATLAB) (YUV)