In this module we implement mean-sh

In this module we implement mean-shift-based segmentation, the mean-shift algorithm belongs to the density estimation based non parametric clustering methods, in which the feature space can be considered as the empirical probability density function of the represented parameter. This type of algorithms adequately analyzes the image feature space (color space, spatial space or the combination of the two spaces) to cluster and can provide a reliable solution for many vision tasks.

ผลลัพธ์ (ไทย) 1:

ใน module นี้ เราสามารถใช้เฉลี่ยกะใช้แบ่ง อัลกอริทึม shift หมายถึงอยู่ความหนาแน่นตามพาราเมตริกไม่ใช่ระบบคลัสเตอร์วิธีการประมาณค่า ที่สามารถพิจารณาลักษณะพื้นที่เป็นฟังก์ชันความหนาแน่นของความน่าเป็นที่รวมของพารามิเตอร์ represented อัลกอริทึมชนิดนี้อย่างเพียงพอวิเคราะห์รูปลักษณะพื้นที่ (พื้นที่สี พื้นที่ว่าง หรือทั้งสองช่อง) คลัสเตอร์ และสามารถให้โซลูชั่นที่เชื่อถือได้สำหรับงานวิสัยทัศน์ต่าง ๆ

ผลลัพธ์ (ไทย) 2:

ในโมดูลนี้เราใช้หมายถึงการเปลี่ยนแปลงตามการแบ่งส่วนอัลกอริทึมหมายถึงการเปลี่ยนแปลงที่อยู่ในการประมาณค่าความหนาแน่นตามวิธีการที่ไม่ได้จัดกลุ่มตัวแปรซึ่งพื้นที่คุณลักษณะถือได้ว่าเป็นฟังก์ชั่นความหนาแน่นของความน่าจะเป็นเชิงประจักษ์ของพารามิเตอร์ตัวแทน ประเภทของขั้นตอนวิธีนี้อย่างเพียงพอวิเคราะห์พื้นที่คุณลักษณะของภาพ (พื้นที่สีพื้นที่เชิงพื้นที่หรือการรวมกันของทั้งสองช่องว่าง) เพื่อกลุ่มและสามารถให้บริการโซลูชั่นที่เชื่อถือได้สำหรับงานวิสัยทัศน์จำนวนมาก

ผลลัพธ์ (ไทย) 3:

ในโมดูลนี้ เราใช้หมายถึงการเปลี่ยนแปลงการแบ่งส่วนตาม หมายถึงการเปลี่ยนแปลงอัลกอริทึมของความหนาแน่นการแบ่งกลุ่มตามวิธีการที่ไม่ใช้พารามิเตอร์ ซึ่งมีพื้นที่ที่สามารถถือว่าเป็นเชิงฟังก์ชันความหนาแน่นของความน่าจะเป็นของแสดงพารามิเตอร์ ขั้นตอนวิธีชนิดนี้อย่างเพียงพอ วิเคราะห์ภาพคุณลักษณะพื้นที่ ( พื้นที่สีมิติอวกาศหรือการรวมกันของทั้งสองเป็น ) กลุ่มและสามารถให้โซลูชั่นที่เชื่อถือได้สำหรับงานวิสัยทัศน์มาก