模糊C均值聚类的Python算法，新数据的类别预测

K均值聚类算法，Python手写，新数据预测

matlab卷积神经网络去噪代码 1. 项目介绍 1.1 项目的背景 该项目是为了研究基于深度卷积神经网络的图像去噪算法，是利用DnCNN模型，但是为了比较该算法的效果，另外实现了四种传统的图像去噪算法（均值滤波、中值滤波、非局部均值滤波NLM和三维块匹配滤波BM3D）作为对照组。 1.2 噪声强度和类型 项目中实现五种算法对噪声强度为10,15,20...60,65,70的高斯白噪声进行处理。 1.3 评价指标 图像去噪后，如何评估算法去噪效果的好坏呢？项目中采用峰值信噪比PSNR和结构相似性SSIM作为评价指标。一般来说，PSNR越大，去噪效果越好。SSIM取值为0到1，越接近1，表示效果越好。 2. 数据集介绍 该项目中只是对Set12数据集进行处理，也就是项目中的Set12目录下的12张图片。如果觉得数据量不够充分，可以自行添加其他数据集，在代码中修改一下数据集的目录即可。 3. 代码介绍 对于均值滤波、中值滤波、和NLM，MATLAB都已经实现了，所以我们直接调用MATLAB自带的函数就可以。 BM3D和DnCNN的代码都是从别人那儿clone下来，做了一些小的修改。 五种算

针对RSSI的几种滤波方法进行比较，高斯滤波、卡尔曼滤波、均值滤波

NL-means窗口 理论上，该算法需要在整个图像范围内判断像素间的相似度，也就是说，每处理一个像素点时，都要计算它与图像中所有像素点间的相似度。但是考虑到效率问题，实现的时候，会设定两个固定大小的窗口：搜索窗口 和邻域窗口。 邻域窗口在搜索窗口中滑动，根据邻域间的相似性确定像素的权值。

此函数 NLMF 对 1D 信号、2D 灰度/彩色或 3D 图像数据执行非局部均值噪声过滤。 该函数部分是 c 编码的，用于 cpu 高效过滤。 适用于几乎所有图像数据类型，如 MRI、CT 和正常照片。 警告！，图像过滤消除了噪音，但重要的（医学）细节也可能丢失，（见评论中的讨论）。 原理 NL-Mean 滤波器： 像素周围的局部像素区域（块）与邻域（或整个图像中）的像素块进行比较。 补丁的中心像素根据补丁之间的二次像素距离进行平均。 功能： J = NLMF（我，选项）； 输入， I : 1D 信号、2D 灰度/彩色或 3D 图像数据，范围为 [0..1] 的 Single 或 Double 类型选项：带有选项的结构，例如过滤强度输出， J : NL-means 滤波图像或图像体积功能（2）： J = NLMF2Dtree(I, 选项); 与 NLMF 相同，但会使用 kd-tre

NLM(非局部均值)是一种降噪算法，其中每个像素的值由该像素周围的像素矩形(一个“中心补丁”)确定，所有像素大小相同的矩形(“搜索补丁”)都位于像素周围的一个相对较大的矩形(“搜索窗口”)中。 然后根据对应的搜索patch到中心patch的距离，对每个“搜索patch”的中心像素进行加权，通过计算搜索窗口中所有像素的加权平均得到输出像素

用C#实现的k均值文本聚类算法，已经调试通过

Meanshift均值漂移C++代码,包含matlab和opencv两个版本

包含数10种图像去噪算法，维纳滤波、双边滤波、中值滤波、自适应中值滤波、小波三级软阈值去噪、同态滤波、均值滤波、高斯滤波、高通滤波、扩散滤波等