为解决高光谱数据维度高、波段之间相关性强、获取大量监督信息费时费力的问题，对高光谱图像的分类进行研究。半监督分类方法是基于传统的机器学习的一种分类方法，它可以利用少量带标签的监督信息和大量无监督信息解决获取大量监督信息问题。将分类精度高、分类时间长的孪生支持向量机分类方法与迭代速度快、收敛速度快的的

超适合新手，下载只需改一下读取图像名称即可运行，不管是普通图像或是遥感影像（注：多光谱影像请将各波段分别导出单独读取），都能无压力运行，省时省心。

聚集：聚集国家以寻找迫切需要援助的国家。 使用k均值，分层聚类

实现K均值聚类，并将结果进行可视化。灰色“+”代表均值中心；黑色“。”代表簇内部的数据点；彩色“。”代表簇边界的数据点，不同的颜色代表不同的簇（由于颜色有限，簇过多时存在颜色重复）

以基因表达谱为测试数据，附有中文说明，给出Kmeans算法的流程

提出一种半监督聚类算法,该算法在用seeds集初始化聚类中心前,利用半监督分类方法Tri-training的迭代训练过程对无标记数据进行标记,并加入seeds集以扩大规模;同时,在Tri-training训练过程中结合基于最近邻规则的Depuration数据剪辑技术对seeds集扩大过程中产生的误标记噪声数据进行修正、净化,以提高seeds集质量.实验结果表明,所提出的基于Tri-training和数据剪辑的DE-Tri-training半监督聚类新算法能够有效改善seeds集对聚类中心的初始化效果,提高聚类性能.

编程实现求遥感图像的均值，方差，相关系数等。

meanshift_matlab MATLAB / Octave的均值漂移聚类实现的开源实现。 这是在MATLAB File Exchange中显示的meanshift实现的改进版本。 增加了对任意内核的支持。 版权所有2015 Han Gong ，东英吉利大学 版权所有2006 Bryan Feldman 参考： 福永，庆之助和拉里·D·霍斯特特勒。 “密度函数梯度的估计及其在模式识别中的应用。” 信息论，IEEE Transactions on 21.1（1975）：32-40。 MATLAB /八度代码：演示请参见demo.m。 结果：

自适应切萨罗均值滤波器，用于去除椒盐噪声 引文： S.Enginoğlu，U。Erkan和S.Memiş，2020年。用于去除椒盐噪声的自适应Cesáro均值滤波器，El-Cezeri科学与工程学报，7（1），304-314。 doi： https ： //doi.org/10.31202/ecjse.646359 抽象的： 在这项研究中，我们提出了一种椒盐噪声（SPN）消除方法，即自适应Cesáro均值滤波器（ACmF），并提供了其一些基本概念。 然后，我们将ACmF应用于噪声密度范围从10％到90％的几个测试图像：15个传统测试图像（狒狒，船，桥，摄影师，Elaine，打火石，山，房屋，湖泊，Lena，客厅，鹦鹉，辣椒，海盗和飞机）和40张测试图像（在TESTIMAGES数据库中提供）。 然后，我们将ACmF与最先进的方法进行比较，例如自适应加权均值滤波器（AWMF），不同应用

k 均值算法的C＋＋版本