今天又試驗了：鄰誤差<=4進行聚類。以前覺得比較相鄰兩個畫素的誤差就可以聚類，實測輸出結果卻是那麼差勁。原來相鄰畫素基本都是相似的，對漸變過度的邊緣難以消化。37萬畫素聚類用了0.3秒，統計並生成9張面積最大的聚類則用了約0.2秒
將來有空再改善一下。假如不比相鄰畫素，比較相近的一小片區域效果肯定更好吧。
//由於漸變相鄰導致的誤判，需要增加判斷距離，增加聚類判斷條件
bitmapop = objimage.getpeekimage();
int 容差值; //兩個畫素之間誤差值， // msgbox("??");
if (text_資訊框.text == "") 容差值 = 12; else 容差值 = int.parse(text_資訊框.text);
mytimer.start();
stackstackid = new stack(); //堆疊集合的point類
timermark.start();
unsafe
//for1
ptr += ioffset; //每行讀取到最後「有用」資料時，跳過未使用空間xx
}//for2
rd("\r" + timermark.getseconds().tostring() + "完成" + index + "個rgb物件建立\r");
//piexout[0, 2].setid(ref 物件id[0, 0]); //重新繫結
//物件id[0, 0] = 5;
timermark.start();
for (int y = 0; y < bmpheight - 1; y++)
else
//取小id
}if (兩點相似度(piex[x, y], piex[x, y + 1]) <= 容差值)//上與下同色
}//for1 w
} //for2 h
timermark.start();
for (int y = bmpheight - 1; y > 0; y--)
else
//取小id
if (兩點相似度(piex[x, y], piex[x, y - 1]) <= 容差值)//上與下同色
else
}}//for1
}//for2
rd("\r" + timermark.getseconds().tostring() + "完成右下角比較\r");
timermark.start();
idictionarydic = new dictionary();//建立每幅圖對應的 字典物件 ，儲存影象的屬性值
idictionarydicsort = new dictionary();//建立每幅圖對應的 字典物件 ，儲存影象的屬性值
//統計每個id 出現的次數
//foreach (rgbclassref rgb in piexout) //遍歷id號,比兩個for慢 else //統計每個id 出現的次數
//}//統計每個id 出現的次數
for (int y = 0; y < bmpheight; y++)
else //統計每個id 出現的次數
//if (piexout[x, y].id == arr[0])//}
}rd("\r" + timermark.getseconds().tostring() + "完成排序比較\r");
timermark.start();
//統計id重複最大的畫素，9個id就退出
while (true)
}dic.remove(maxkey);
dicsort.add(maxkey, maxc);
}rd(timermark.getseconds().tostring() + "，9次迴圈字典每個id 出現的次數統計工作" + dic.count.tostring() + "\r");
}else
ptr += 3;
}ptr += ioffset; //每行讀取到最後「有用」資料時，跳過未使用空間xx
}wjsb2.unlockbits(bmpdata2);
if (imgcount == 0) //
else if (imgcount == 1)
else if (imgcount == 2)
else if (imgcount == 3)
else if (imgcount == 4)
else if (imgcount == 5)
else if (imgcount == 6)
else if (imgcount == 7)
else if (imgcount == 8)
imgcount++;
}//每個輸出
rd("\r" + timermark.getseconds().tostring() + "秒輸出工作\r");
// rd(timermark.getseconds().tostring() + "輸出工作\r");
// msgbox(piex[x, y].id);
// piex[x, y].color = color.fromargb(0,0, 0);
// msgbox(rgb1.r + "," + rgb1.g + "," + rgb1.b); msgbox(rgb2.r + "," + rgb2.g + "," + rgb2.b);
bitmapop.unlockbits(srcdata);
}//unsafe
pboxa.image = bitmapop;// fitpicturebox(bitmapop, pboxa);
text_timer.text = mytimer.getseconds().tostring();
資料聚類的簡單應用
資料聚類的簡單應用 資料聚類data 1.聚類時常被用於資料量很大 data intensive 的應用中。2.聚類是無監督學習 unsupervised learning 的乙個例子。無監督學習演算法並不利用帶有正確答案的樣本資料 進行 訓練 它們的目的是要在一組資料中找尋某種結構，而這些資料本身...
聚類之層次聚類 基於劃分的聚類（
目錄 一層次聚類 層次聚類的原理及分類 層次聚類的流程 層次聚類的優缺點 二劃分聚類法k means kmeans演算法的原理 k均值的優缺點及分類 k means與dbscan的區別 k means注意問題 三基於密度的聚類 dbscan的概念 簇的生成原理及過程 根據資料點的密度分為三類點 db...
k means聚類，密度聚類，層次聚類優缺點
k means 優點 1，簡單，易於理解和實現 2，時間複雜度低 缺點 1，需要對均值給出定義,2，需要指定要聚類的數目 3，一些過大的異常值會帶來很大影響 4，演算法對初始選值敏感 5，適合球形聚類 層次聚類 優點 1，距離和規則的相似度容易定義，限制少 2，不需要預先制定聚類數 3，可以發現類的...