课程的随堂作业，C++的，用dev就能运行，模糊聚类的程序，老师要统计数据分类，所以这还是可以用来交作业混一下的

结合NSST和快速非局部均值滤波的图像去噪

图像处理-读取bmp图像均值滤波-C++

ndarray-归一化 对 ndarray 进行归一化，使均值为 0，标准差为 1。 例子 var moments = require ( "ndarray-moments" ) var lena = require ( "luminance" ) ( require ( "lena" ) ) console . log ( "Before normalization:" , moments ( 2 , lena ) ) require ( "ndarray-normalize" ) ( lena ) console . log ( "After normalization:" , moments ( 2 , lena ) ) 这打印出来： Before normalization: [ 124.04670674515125, 17677.59913617722 ] After n

信号预处理——零均值化 在测试中由数据采集所得的原始信号，在分析前需要进行预处理，以提高数据的可靠性和真实性，并检查信号的随机性，以便正确地选择分析处理方法。本设计中，我们采用零均值化处理。 零均值化处理又称中心化处理。信号的均值相当于一个直流分量，而直流信号的傅里叶变换是在 处的冲激函数，因此若不去除均值，在作信号谱分析时，将在 处出现一个大的谱峰，并会影响在 左右处的频谱曲线，使它产生较大的误差。 设采样数据为 (n=1，2，…，N)，其均值通过下式计算： 用下式进行零均值化处理： 处理后， 就变为一个均值为零的新信号 (n=1，2，…，N)。

HSV、CMY、NTSC、YCbCr 颜色空间不太适合根据人类解释的实用术语来描述颜色。 因此，必须将 RGB 热图像转换为 HIS 图像以获得更好的可见性，以识别面板中存在的缺陷。 并应用K-means聚类算法对图像进行分割并诊断PV面板中的缺陷 参考： Uma，J.，Muniraj，C.和Sathya，N.，“基于热图像测试和评估的光伏（PV）面板缺陷诊断”，《测试和评估杂志》， https：//doi.org/10.1520 /JTE20170653 。 ISSN 0090-3973。

实现简单图像处理，包括256色转灰度图、Hough变换、Walsh变换、中值滤波、二值化变换、亮度增减、傅立叶变换、反色、取对数、取指数、图像平移、图像旋转、图像细化、图像缩放、图像镜像、均值滤波、对比度拉伸、拉普拉斯锐化（边缘检测）、方块编码、梯度锐化、灰度均衡、直方图均衡、离散余弦变换、维纳滤波处理、逆滤波处理、阈值变换、高斯平滑

对受噪声干扰的图像进行均值滤波（简单均值滤波、加权均值滤波、阈值均值滤波）.zip

基于matlab图像增强的比较及其理论分析；对灰度图片模拟加入噪声；利用matlab对加入噪声的该图片进行处理，记录每一种方法的过程，并进行比较，分析哪种噪声的所对应的增强方法效果最好；在进行处理时要对每一步处理进行理论分析

针对基于聚类的离群点检测算法在处理高维数据流时效率和精确度低的问题,提出一种高维数据流的聚类离群点检测(CODHD-Stream)算法.该算法首先采用滑动窗口技术对数据流划分,然后通过属性约简算法对高维数据集降维;其次运用基于距离的信息熵过滤机制的K-means聚类算法将数据集划分成微聚类,并检测微聚类的离群点.通过实验结果分析表明:该算法可以有效提高高维数据流中离群点检测的效率和准确度.