Cartoonify_reality 即使适当地完成图像处理的基础知识也很方便，否则将需要机器学习模型。该项目是这样的灵感之一，它仅使用核心opencv过滤器和功能将图像和视频卡通化，还使用K-means聚类算法来实现压缩图像。 这种聚类为它提供了所需的基本卡通色彩。 算法-K_Means聚类 滤镜-双边滤镜，轮廓，腐蚀，Canny（边缘检测） 先决条件 您需要什么东西来安装软件以及如何安装它们 scipy numpy cv2 入门 下载python interpeter，最好是3.0版以上的版本。 安装上面给出的前提条件库。 运行vid.py文件将您的Webcamp提要装箱。 取消注释cartoonize.py的最后两行，然后运行以对图像进行卡通化。 $vid.py $cartoonize.py 原始图片 卡通输出 建于

Kmeans clustering algorithm

BELMKN：贝叶斯极限学习机Kohonen网络 无监督的极限学习机（ELM）是一种用于特征提取的非迭代算法。 该方法应用于IRIS数据集以进行非线性特征提取，聚类预测，最后使用k-means进行聚类。 客观的 要使用Unsuoervised Extreme Learning Machine执行非线性特征学习，使用贝叶斯信息准则（BIC）预测数据集中的聚类数，最后使用k-means，自组织图/ Kohonen网络和EM算法进行聚类 模组 无监督的极限学习机：在此模块中，使用无监督的极限学习机执行数据集的特征提取。 这是具有单个隐藏层的非迭代算法，其中输入层和隐藏层之间的权重被随机初始化，并且使用目标函数计算隐藏层和输出层之间的权重。 因此，可以保证收敛于全局最小值。 贝叶斯信息准则：贝叶斯信息准则是一种统计方法，使用d来找出数据集中的聚类数。 它使用期望最大化（EM）算法来查找数据集中的

kaggle数据集的葡萄酒聚类，对数据进行分析、清洗以及可视化，通过3D图展示聚类后的结果！

很棒的多视图聚类 最新技术（SOTA）的集合，新颖的多视图聚类方法（论文，代码和数据集） 我们期待其他参与者分享他们的论文和代码。 如果有兴趣，请联系 。 目录 重要调查文件 多视角学习论文调查 基于图的多视图聚类系统研究纸代码 多视图聚类：调查论文 多视图学习概览：最近的进展和新的挑战纸业 文件 下列方法列出了论文：图形聚类，基于NMF的聚类，共正则化，子空间聚类和多核聚类 图Clusteirng AAAI15：通过两方方格纸代码进行大规模多视图光谱聚类 IJCAI17：具有多个图形的自加权多视图聚类”论文代码 TKDE2018：一站式多视图光谱聚类纸代码 TKDE19：GMC：基于图的多视图聚类论文代码 ICDM2019：一致性遇到不一致：用于多视图聚类的统一图学习框架论文代码 多Kenrel聚类（MKC） NIPS14：用于内核k均值聚类的局部数据融合及其在癌症生物学中的

使用Iris数据集的KMeans聚类