这是流行的 Nonlocal Means 去噪方案的快速而稳健的实现，适用于 Rician 和 Gaussian 平稳噪声。 它的工作原理是基于特征空间中的距离计算非局部权重，包括图像的局部平均值和梯度。 与原始实现相比，它可以达到 20 倍的加速因子，并提高了中低 SNR 图像的性能。 我们基于众所周知的传统方法对 Rician 噪声使用偏差校正步骤。 可以在以下参考资料中找到有关此算法的更多详细信息（如果您使用此软件进行研究，我们要求您引用）： A. Tristan-Vega、V. Garcia Perez、S. Aja-Fenandez 和 C.-F. 威斯汀， '基于MR数据的高效鲁棒非局部均值去噪显着特征匹配，计算机方法和程序生物医学，105（2）：131-44。 2012 年。 注意：此 Matlab 实现无法利用上述论文中描述的所有计算方法。 如果计算性能对您来说

cluster_calculation.py

k-means 算法接受输入量 k ；然后将n个数据对象划分为 k个聚类以便使得所获得的聚类满足：同一聚类中的对象相似 度较高；而不同聚类中的对象相似度较小。聚类相似度是利用各聚类中对象的均值所获得一个“中心对象”（引力中心）来 进行计算的。 　　k-means 算法的工作过程说明如下：首先从n个数据对象任意选择 k 个对象作为初始聚类中心；而对于所剩下其它对象 ，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；然后再计算 每个所获新聚类的聚类中心（该聚类中所有对象的均值）；不断重复这一过程直到标准测度函数开始收敛为止。一般都采用 均方差作为标准测度函数. k个聚类具有以下特点：各聚类本身尽可能的紧凑，而各聚类之间尽可能的分开。

统计学高清思维导图-两总体均值& 比例的推断

对灰度图像进行K均值聚类分析，利用该算法很好的实现了对图像的聚类处理

【模式识别小作业】K均值聚类K-means clustering+Matlab实现+UCI的Iris和Seeds数据集+分类问题 包含：完整全套代码+readme+报告

R编程的k-means算法聚类分析应用于地质数据分析是本文的讨论范围。 研究对象是位于西太平洋的海沟马里亚纳海沟。 该研究通过对地质数据的属性分析来评估地质数据的相似性。 原始观测数据集包含参数不同的样本：地质（沉积物厚度）、构造（构造板块上的位置）、火山作用（火成岩火山区）、测深（深度范围）和地貌（坡度和坡向）。 使用 k-means 算法将数据池划分为集群，目的是检测相似性。 选择聚类作为主要的统计方法，因为它可以通过无监督分类检测原始数据集中的相似组。 从技术上讲，该研究是使用 R 语言及其统计库进行的。 主要的 R 库包括 {cluster}、{factoextra}； 次要库包括 {ggplot2}、{FactoMiner}、{openxlsx}、{carData}、{rio}、{car} 和 {flashClust}。 测试了几个集群，从 2 到 7，最佳数量定义为 5。 结果显示可视化计算：因子的相关矩阵； 显示成对相关的双因子的比较； 成对比较分析显示变量作为双因素的影响：沉积物厚度与坡度角相关； 火山火成岩​​区与坡度角和坡向度的相关性。 影响地貌的四个变量：坡度角、沉积物厚度、坡向度、水深和火山作用。 该论文包括 R 编程代码列表，用于类似研究中算法的可重复性。

Matlab基于K均值聚类的神经网络-基于K均值聚类的ＲＢＦ神经网络.rar 基于K均值聚类的ＲＢＦ神经网络

大学课程设计，运用彩色空间转换、阈值分割、K均值聚类、连通运算、图像二值化、数学形态学运算、点运算孔洞填补法、分水岭算法等数字图像处理技术的基本思想算法，完成对给定的血液染色涂片数字图像blood.jpg进行红、白细胞的计数操作，并编写相应的MATLAB实现程序。