- 博客(9)
- 收藏
- 关注
RSS订阅原创 matlab实现基于超像素的快速的模糊聚类(SFFCM)的图像分割
代码如下 超像素分割结果调用的是matlab自带的超像素方法 %% SFFCM将超像素区域N*3，减少计算成本进行分割的结果 clear close all I=imread('tomato.jpg'); %I = imresize(Iy,[153 100]); figure;subplot(2,3,1);imshow(I); [m,n,p]=size(I); A = reshape(I(:, :, 1), m*n, 1); % 将RGB分量各转为kmeans使用的数据格式n行，一样一样本 B
2020-12-02 16:18:13
4518
5
原创 matlab实现基于DPCA密度峰值算法的图像分割
matlab代码如下 图像最好小一点，不然因为那个距离矩阵为（mn)(m*n)真的很慢很慢，运算上亿次了，电脑根本跑不动。 clear close all Iy=imread('tomato.jpg'); figure;imshow(Iy); I = imresize(Iy,[53 33]); figure, imshow(I); % 读入分割目标 img_gray=rgb2gray(I);%灰度化 % 获取图像的长宽 [m,n]=size(img_gray); A = reshape(I(:,
2020-12-02 16:12:33
1420
原创 利用神经网络和卷积神经网络，还有SimpleConvNet打kaggle的手写数字识别比赛
数据在官网，kaggle手写数字识别不需要爬墙，注册什么的看看知乎把 1.利用神经网络，神经网络这个类是编写的，代码如下 # -*- coding: utf-8 -*- """ Created on Sat Oct 31 16:46:44 2020 @author: """ import numpy import pandas as pd import scipy.special import matplotlib.pyplot from itertools import islice #定义类神经
2020-12-02 15:54:02
327
原创 小白—Anaconda下安装tensorflow
本人是笨蛋小白，安装的时候才知道创建虚拟环境的时候，环境里可以直接安装不同版本的python,不必考虑Anaconda本身的python版本。为了搭配tensorflow更好的学习其他人的代码，我安装的的是python3.6安装版本，tensorflow对应的版本为1.4.0；keras的版本要对应tensorflow的版本，这里可以查询tensorflow与python以及keras的版本对应 打开Anaconda Prompt 创建一个虚拟环境 conda create --name py36ten
2020-12-02 15:32:02
256
1
原创 Anaconda3+win10 64位+Python3.8.3没有安装VS下安装dlib
首先是下载dlib的.whl文件 链接：https://pan.baidu.com/s/12bdpWH7uYlf92w3zHBl8SQ 提取码：gsn7 复制这段内容后打开百度网盘手机App，操作更方便哦 其次是打开cmd C盘的用户下就可以 1.安装cmake pip install cmake 2.安装boost pip install boost 3.我把.whl文件下载到了Anaconda的Scripts的文件里 然后cmd里输入 pip install dlib-19.19.0-cp38-c
2020-11-17 10:26:58
354
转载 聚类算法（四）——基于密度峰值的聚类算法
4.基于密度峰值的聚类算法 主要思想是寻找被低密度区与分离的高密度区域，基于的假设为： 1）类簇中心点的密度大于周围邻居点的密度； 2）类簇中心点与更高密度点之间的距离相对较大 因此有两个需要计算的量：局部密度pi和高局部密度点距离(与高密度点之间的距离) δi pi理解：其中dc表示截断距离，这个公式的意义就是找到与第i个数据点之间的距离小于截断距离的数据点的个数（某个点的距离到该点的距离小于dc 则密度加一），并将其作为第i个数据点真的密度。 δi理解：在比对象i局部密度高的所有对象中，到对象i最
2020-10-31 21:23:15
6151
原创 聚类算法（三）——DBSCAN算法
** 3.DBSCAN算法 ** 基于密度空间的聚类算法 不需要聚类的数量 而是基于数据推测聚类的数目 可以对任意形状都能产生聚类 概念：epsion-neighborhood（e-nbhd) 密度空间 在半径为e且还有若干个点的nbhd，密度等于包含点的个数/空间大小 该算法首先要确定两个参数： epsilon 在一个点周围邻近区域的半径； minpts 这个邻近区域至少应该包含的点个数 根据这两个参数可以划分样本中的点为三类： 核心点 如果一个点在其eps半径内有超过minpts数目的点 边界点 如果一
2020-10-31 21:15:15
2447
原创 聚类算法（二)——层次聚类
2.层次聚类 概念：通过计算不同类别数据点间的相似度来创建一个有层次有嵌套的聚类树 特点：不需要指定具体的簇数，只关注簇的远近，最后形成一个树状图； 距离和规则的相似度容易定义，限制少，可以发现类的层次关系，可以聚类成其他形状 运算量很大，奇异值也能产生很大影响，算法很可能聚类为链状 算法基本过程：每个样点被视为一个簇，计算每个簇之间的距离，最近的两个合为一个新簇，重复这个过程直到最后只有一簇 簇与簇之间的距离计算方法有：最短距离法Single Linkage（距离为簇与簇之间样本的最短距离）、最长距离法
2020-10-30 19:51:23
1682
原创 聚类算法简介（一）——kmeans算法
聚类不同于分类 分类是人已经知道如何分类 有了分类 机器对人类的操作学习之后自动分类 如：垃圾邮件； 而聚类 算法根据数据的相似性自己去判断 事先没有分类 聚类算法包括： 1.K-means（无监督学习） 特点：运算快、简单、好理解 但是只能应用于连续型数据 并且在分类前指定要选哪几类，非球形簇有局限 算法理解： 先指定要分几个组 在数据集中随机选几个数据点作为质心 计算其余点与质心的距离 哪个近跟哪个 然后再根据算法选出新的质心（这个点可以为数据中不存在的点） 如果新的质心与原来的距离小于某一阈值 则
2020-10-30 19:45:34
880
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人