The mean-shift algorithm belongs to

The mean-shift algorithm belongs to the density estimationbased
nonparametric 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 [16]. In general,
the mean-shift algorithm models the feature vectors associated
with each pixel (e.g., color and position in the image grid) as
samples from an unknown probability density function f(x) and
then finds clusters in this distribution. The center for each cluster

ผลลัพธ์ (ไทย) 1:

อัลกอริทึมหมายถึงกะเป็นของ estimationbased ความหนาแน่นnonparametric คลัสเตอร์วิธีการ ซึ่งลักษณะการทำงานพื้นที่ถือได้ว่าเป็นความหนาแน่นความน่าเป็นประจักษ์ฟังก์ชันของพารามิเตอร์ represented ชนิดของอัลกอริทึมนี้วิเคราะห์รูปลักษณะพื้นที่ (พื้นที่สี พื้นที่เพียงพอพื้นที่ว่างหรือทั้งสองช่อง) คลัสเตอร์ และสามารถให้โซลูชั่นที่เชื่อถือได้สำหรับงานวิสัยทัศน์ต่าง ๆ [16] ทั่วไปอัลกอริทึมหมายถึงกะรุ่นเวกเตอร์คุณลักษณะที่เกี่ยวข้องกับแต่ละพิกเซล (เช่น สีและตำแหน่งในตารางรูปภาพ) เป็นf(x) ทำงานตัวอย่างจากความหนาแน่นความน่าเป็นที่รู้จัก และแล้ว พบว่าคลัสเตอร์ในการกระจายนี้ ศูนย์ในแต่ละคลัสเตอร์

ผลลัพธ์ (ไทย) 2:

อัลกอริทึมหมายถึงการเปลี่ยนแปลงเป็นความหนาแน่น estimationbased วิธีการจัดกลุ่มอิงพารามิเตอร์ซึ่งคุณลักษณะพื้นที่ถือได้ว่าเป็นความหนาแน่นของความน่าจะเป็นเชิงประจักษ์ฟังก์ชั่นของพารามิเตอร์ตัวแทน ประเภทของขั้นตอนวิธีนี้อย่างเพียงพอวิเคราะห์พื้นที่คุณลักษณะของภาพ(พื้นที่สีอวกาศพื้นที่หรือการรวมกันของทั้งสองช่องว่าง) เพื่อกลุ่มและสามารถให้บริการโซลูชั่นที่เชื่อถือได้สำหรับงานวิสัยทัศน์จำนวนมาก [16] โดยทั่วไปหมายถึงกะอัลกอริทึมแบบเวกเตอร์คุณลักษณะที่เกี่ยวข้องกับแต่ละพิกเซล(เช่นสีและตำแหน่งในตารางภาพ) เป็นตัวอย่างจากความหนาแน่นความน่าจะเป็นที่ไม่รู้จักฟังก์ชันf (x) และแล้วก็พบว่ากลุ่มนี้ในการจัดจำหน่าย ศูนย์สำหรับแต่ละกลุ่ม

ผลลัพธ์ (ไทย) 3:

หมายถึงเปลี่ยนอัลกอริทึมเป็นของความหนาแน่น estimationbased
3 วิธีการแบ่งกลุ่ม ซึ่งคุณลักษณะ
พื้นที่ถือได้ว่าเป็นเชิงฟังก์ชันความหนาแน่นของความน่าจะเป็น
ของแสดงพารามิเตอร์ ขั้นตอนวิธี
ชนิดนี้อย่างเพียงพอ วิเคราะห์ภาพคุณลักษณะพื้นที่ ( พื้นที่สีพื้นที่
พื้นที่หรือการรวมกันของทั้งสองเป็นคลัสเตอร์ และสามารถ
)ให้โซลูชั่นที่เชื่อถือได้สำหรับงานวิสัยทัศน์มาก [ 16 ] โดยทั่วไปหมายถึงขั้นตอนวิธี
กะรุ่นคุณลักษณะเวกเตอร์ที่เกี่ยวข้องกับแต่ละพิกเซล
( เช่น สี และตำแหน่งของตารางภาพ )
ตัวอย่างจากจักฟังก์ชันความหนาแน่นของความน่าจะเป็น f ( x )
แล้วพบกลุ่มในการกระจายนี้ ศูนย์สำหรับแต่ละกลุ่ม