根据均值和方差生成高斯噪声，给图像叠加高斯噪声，C++

空间域：均值滤波与阈值处理 代码实现和效果截图

使用python实现K均值聚类，并返回各个中心点到点集的距离之和，可用于调整分类个数、筛选最优的聚类。

针对基于模糊C均值聚类（FCM）的图像分割算法仅利用像素的灰度信息、噪声抑制不理想、算法鲁棒性不高的问题，提出了一种基于像素邻域信息约束的FCM图像分割算法。该算法在模糊目标函数中引入邻域信息约束，通过约束系数自适应调节控制邻域信息约束强度，自优化迭代更新聚类中心和聚类隶属度矩阵，使模糊目标函数收敛到最小，并利用像素最优聚类隶属度去模糊化操作实现图像分割。实验结果表明，该算法在获得较高的图像分割精度的同时，具有较强的噪声抑制能力。

利用OpenCV实现基于K均值的彩色图像分割，并显示聚类后的灰度图和灰度直方图。

基于自适应非局部均值滤波的图像去块算法，王慈，刘书，JPEG和MPEG等压缩标准导致的块效应是图像降质的主要表现。以往研究提出了各种降低量化噪声的方法，但都基于噪声大小已知的假设。这�

非局部均值滤波不局限于像素邻域，抗噪性能较好。本代码经过简单修改即可运行，是学习非局部均值滤波的基础，其它改进算法可以以其为基础进行修改。希望对大家有所帮助。

传统个人信用评估模型对客户预测的结果要么是“违约”，要么是“不违约”，但在现实生活中，未违约的人群中也存在违约可能，而违约人群中也有一定的概率选择不违约，鉴于此现象，银行会对情况相似且有相似违规率的客户进行信息等级划分，针对不同等级的客户实施不同的贷款政策。因此文中从实际情况出发，提出个人信用度，再将信用度转变成信用等级，进而以信用等级作为新的个人信用评估标准，不再仅仅输出“违约”，“不违约”作为评估标准。

模式识别系统聚类法之k均值算法，是无监督学习方法的一种，可以将模式分为k类，程序现在实现了将模式分为3类，供大家参考

1.把24位BMP变灰度图像 2.进行直方图均衡化，提高图像对比度 3.进行均值滤波 第二个均衡化做了N天。。。每天回寝室看一眼以为是算法错了。。后来终于发现是一个溢出的小错误，duang。。这都是假的。。是特技的溢出。。是溢出的特技。。 把读图，写图，灰度，直方图，均值都做成了函数。在main里面指针调用的，很方便。 （适合于电子科大数字图象处理的实验，第2、3个读入的是1输出的灰度图哦~还有就是实验3图不要太大张了。。三维数组。。。） //----------实验1 灰度------------------------------- image=ReadBitmap("G:\\in.bmp",width,height); NewImage=Gray(image,*width,*height); SaveBitmap(NewImage,"G:\\out.bmp",*width,*height); //----------实验2 直方图均衡------------------------------- image=ReadBitmap("G:\\in2.bmp",width,height); NewImage=HistogramEqualization(image,*width,*height); SaveBitmap(NewImage,"G:\\out2.bmp",*width,*height); //----------实验3 均值滤波------------------------------- image=ReadBitmap("G:\\in3.bmp",width,height); NewImage=MeanFilter(image,*width,*height); SaveBitmap(NewImage,"G:\\out3.bmp",*width,*height);