7.5 聚类法 思路 将像素投射到特征空间成为样本点，根据样本点在特征空间的分布特性进行聚类。将类别标号投射回图像空间作为 像素的标号，进而实现分割。 哪些视觉元素容易被聚为同一类（1F2S2P4C） Proximity : 空间相邻性 Similarity : 特征相似性 Common fate : 运动同向性 Common region : 区域归属 Closure : 趋向于闭合 Parallelism : 平行性 Symmetry : 对称性 Continuity : 连续性 Familiar pattern : 组合后的熟悉程度 代表性的聚类分割算法 合成聚类与分裂聚类 每个样本点作为一个独立的簇；将所有样本作为一个簇 K-means 算法 模糊 C 均值聚类 Meanshift 算法 SLIC 超像素 K-means 的基本思想 将图像中所有的元素视为来源于 k 个类别，根据样本到类别中心的特征距离判断像素的归属，通过迭代更新的方式 在逼近类别模型参数的同时实现像素的分类。 K-means 的步骤 1. 为像素选择特征向量（比如 YUV 色彩特征），将所有像素映射为特征空间中的样本点。 2. 选择类别数量 k，在特征空间随机初始化 k个类的中心。 3. 根据样本点到类中心的距离，为每一个样本点选择距离最近类作为类别标号 4. 根据新的分类结果，以同一类样本点的特征均值更新类中心。 5. 重复步骤 3-4， 直到类中心的位置不再发生变化。

A first course in bayesian statistical methods

Karatzas and S. E. Shreve, Methods of Mathematical Finance, New York: Springer-Verlag, 1998.

Numerical Methods in Engineering with Python 3 英文无水印pdf pdf所有页面使用FoxitReader和PDF-XChangeViewer测试都可以打开 本资源转载自网络，如有侵权，请联系上传者或csdn删除 本资源转载自网络，如有侵权，请联系上传者或csdn删除

一本介绍数值方法工程应用的电子书，主要的编程语言是Python，Cambridge Press出版，讲解清晰，通俗易懂，值得推荐。

Optimization has been expanding in all directions at an astonishing rate during the last few decades. New algorithmic and theoretical techniques have been developed, the diffusion into other disciplines has proceeded at a rapid pace, and our knowledge of all aspects of the field has grown even more profound. At the same time, one of the most striking trends in optimization is the constantly increasing emphasis on the interdisciplinary nature of the field. Optimization has been a basic tool in all areas of applied mathematics, engineering, medicine, economics and other sciences.

Dimitri P. Bertsekas的国外原版《Constrained optimization and lagrange multiplier methods》 一个约束优化方面非常全面、非常好的国外教材。 约束优化和拉格朗日乘数法

numerical_solver:ODE，DAE，Newton和矩阵求解器的实现

Multi-Grid Methods and Applications (Wolfgang Hackbusch).pdf

infrared and visible image fusion methods and applications:A surwey