数字图像代数运算：包括图像均值去噪，二次曝光，背景相减 参考博客：http://blog.csdn.net/xiaowei_cqu/article/details/7610665

EM算法是一种非常流行的最大似然估计方法，它是在观测数据为不完整数据时求解最大似然估计的迭代算法，同时也是估计有限混合模型参数的有效算法。 但是，EM算法不能保证找到全局最优解，而且往往容易陷入局部最优解，因此对迭代初始值的确定很敏感。 传统的EM算法随机选择初始值，提出了一种改进的初始值选择方法。 首先，我们使用k-nearest-neighbor方法删除异常值。 其次，使用k均值初始化EM算法。 将该方法与原始随机初始值方法进行比较，数值实验表明，EM算法初始化的参数估计效果明显优于原始EM算法。

K- Means Clustering

网上看到一个使用opencv读取图片然后计算数据集的均值和标准差的，但是那个读取图片后把图片的每个值append到一个列表，要是数据集大的话内存真的会爆掉的啊，所以借助网上另一个使用pytorch的数据读取方式来计算的，原文https://www.cnblogs.com/wanghui-garcia/p/11448460.html 这篇是分别计算了训练集、测试集和验证集数据的均值和标准差并将均值和标准差保存到了一个文件中，我不需要那样子，我只需要计算我总数据集的均值标准差并输出就好了，所以做了一点修改。 首先说一下我的文件夹格式，没有分训练集测试集啥的，就是一个文件夹下面分类别放 ‘/home

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。

均值漂移用于图像分割，测试运行通过，分割效果较好

MFC计算机图形学均值滤波，灰度化，锐化程序源代码，在Debug中有可执行程序。

BELMKN：贝叶斯极限学习机Kohonen网络 无监督的极限学习机（ELM）是一种用于特征提取的非迭代算法。 该方法应用于IRIS数据集以进行非线性特征提取，聚类预测，最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习，使用贝叶斯信息准则（BIC）预测数据集中的聚类数，最后使用k-means，自组织图/ Kohonen网络和EM算法进行聚类 模组 无监督的极限学习机：在此模块中，使用无监督的极限学习机执行数据集的特征提取。 这是具有单个隐藏层的非迭代算法，其中输入层和隐藏层之间的权重被随机初始化，并且使用目标函数计算隐藏层和输出层之间的权重。 因此，可以保证收敛于全局最小值。 贝叶斯信息准则：贝叶斯信息准则是一种统计方法，使用d来找出数据集中的聚类数。 它使用期望最大化（EM）算法来查找数据集中的

k均值、合并聚类和DBSCAN聚类算法对鸢尾花数据集聚类代码.zip

本文实例为大家分享了python K均值聚类的具体代码，供大家参考，具体内容如下 #-*- coding:utf-8 -*- #!/usr/bin/python ''''' k Means K均值聚类 ''' # 测试 # Ｋ均值聚类 import kMeans as KM KM.kMeansTest() # 二分Ｋ均值聚类 import kMeans as KM KM.biKMeansTest() # 地理位置 二分Ｋ均值聚类 import kMeans as KM KM.clusterClubs() from numpy import * # 导入数据集 def loadData