بهبود الگوریتم خوشه بندی k-means برای خوشه بندی داده ها

مقدمه

مجموعه اشیایی که ویژگی های یکسان دارند در گروه هایی دسته بندی میشوند و خوشه های این اشیا به اسم خوشه بندی داده ها شناخته شده اند. این تکنیک یادگیری بدون نظارت برای دسته بندی داده هاست. الگوریتم k-meansبه طور گسترده ای مورد استفاده قرار میگیرد و الگوریتم مشهوری برای آنالیز خوشه ها به حساب می آید. در این الگوریتم ، تعداد n نقطه داده بر اساس برخی معیارهای اندازه گیری شده مشابه ، به k خوشه دسته بندی می شوند. الگوریتم k-mean سرعت خیلی بالایی دارد و بنابراین به طور معمول به عنوان الگوریتم خوشه بندی استفاده می شود.  

مروری بر تولیدکدبوک به روش VQ

چکیده   

یکی از نقشهای اصلی Quantization Vector (VQ) این است که چگونه یک Codebook خوب تولید کنیم تا اعوجاج بین تصویر اصلی و تصویر بازسازی شده  به حداقل برسد .

در سال های گذشته،روش های تولید کدک VQ توسعه یافته اند.  در این مقاله تصویری از روشهای بهبود یافته ارائه شده است.

 طرح های مورد بحث شامل کدبندی مقدماتی مقیاس فاصله است

جستجو (MPS)، افزایش LBG (ELBG)، تکنیک های مبتنی بر شبکه عصبی، الگوریتم مبتنی بر ژنتیک 

روش های تجزیه و تحلیل مولفه های اصلی (PCA)، طرح جستجوی ممنوع tabu search (TS)، روشهای جابجایی کدگذاری و غیره

 

Multilevel principal component analysis(mPCA) in shape analysis

Multilevel principal component analysis (mPCA) in shape analysis: A feasibility study in medical and dental imaging

تجزیه و تحلیل چند سطحی مولفه های اصلی (mPCA): مطالعه امکان سنجی این روش در تصویربرداری پزشکی و دندانی

زمینه و هدف:

روش مورد استفاده در پردازش تصویر باید بازتاب دهنده هر گونه سازه چند سطحی ذاتی وطبیعی در مجموعه داده های تصویر باشد  و یا پیش برنده ریسک و خطر مرتبط به عملکرد ناقص باشد. هدف ما بررسی و ازمودن امکان پذیری تحلیل چند سطحی اجزای اصلی (PCA) برای ساخت مدل های شکلی فعال (ASM) برای مواردی است که مربوط به تصویربرداری پزشکی و دندانی می باشند.