LMD matlab 程序 局域均值分解，利用滑动平均求的，不是用三次样条

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

非局部均值滤波步骤 1. 指定邻域窗口半径d，搜索窗口半径D，高斯函数平滑参数h。 2. 扩展图像边界，保证邻域窗口不越界。 3. 在扩展图像中取邻域窗口W1。 4. 限制搜索窗口的边界，保证可移动的邻域窗口W2不越界。 5. 邻域窗口W2在搜索窗口内滑动，当W2与W1重合时跳过。 6. 在W2滑动过程中使用下述公式计算权值： 其中V(x)和V(y)分别是以x,y为中心的邻域矩阵。 邻域间的距离 与归一化系数Z(x)可用下式计算： 7. 当W1中心像素值遍历到搜索窗口最后一个像素点处时，计算移动的邻域窗口W2内像素的加权和。 8. 将步骤7中的加权和除以Z(x)进行归一化，并替换邻域窗口W1的中心像素值。 9. 移动邻域窗口W1，重复步骤4，直至邻域窗口W1不能再移动。 此外，该程序还要求实现以下功能 1. 显示原图像、移除像素后的图像和恢复出的图像。 2. 求该去噪算法的MSE值。

MATLAB实现数据fcm代码模糊 C 均值 模糊 C 均值 (FCM) 是一种无监督的数据集聚类方法，其方式是一个数据点可能属于多个具有不同隶属度的集群。 该算法基于模糊集，是 K-Means 聚类的扩展。 FCM 的一个简单实现已经在 MATLAB 中进行了编码。

在解决组合测试中的测试数据集生成问题时，粒子群优化算法(PSO)在待测数据量增加达到一定程度以后，出现迭代次数增加、收敛速度减慢的缺点。针对该问题，提出了一种应用于组合测试数据集生成问题的基于K-均值聚类的粒子群优化算法。通过对测试数据集合进行聚类分区域，增强测试数据集的多态性，从而对粒子群优化算法进行改进，增加各个区域内粒子之间的影响力。典型案例实验表明该方法在保证覆盖度的情况下具有一定的优势和特点。

具有近似最优均值奖励的随机强盗的最优算法

经典的C均值聚类方法，平台为MATLAB，调试通过，绝对可用

搜索窗口大小的选择很关键非局部均值 (NLM) 算法中的问题。 小号的选择平滑或均质像素的搜索窗口大小区域限制了去噪效果，因为只有一个少量的相关像素，而选择大的位于非平滑或过渡中的像素的搜索窗口大小由于更多的贡献，区域降低了去噪质量以及更多不相关的像素。 所提出的算法选择每个像素的最佳搜索窗口大小，基于灰度级差异体现了地区的特点。 在标准图像上的实验结果表明，所提出的算法在性能上优于传统的NLM算法PSNR 和视觉质量。 它还保留了图像细节例如在较高噪声级别的图像中的边缘和纹理。

图像去雾源算法以及去雾后图像质量评价方案的matlab仿真，包括PSNR,WPSNR，信息熵，对比度，均值，平均梯度以及无参评价

【计算机】第二章（K均值算法）.doc