平滑和道格拉斯-普克算法
快捷方式: 差异,相似,杰卡德相似系数,参考。
平滑和道格拉斯-普克算法之间的区别
平滑 vs. 道格拉斯-普克算法
在统计学和图像处理中,通过建立近似函数尝试抓住数据中的主要模式,去除噪音、结构细节或瞬时现象,来平滑一个数据集。在平滑过程中,信号数据点被修改,由噪音产生的单独数据点被降低,低于毗邻数据点的点被提升,从而得到一个更平滑的信号。平滑可以两种重要形式用于数据分析:一、若平滑的假设是合理的,可以从数据中获得更多信息;二、提供灵活而且穩健的分析。有许多不同的算法可用于平滑。数据平滑通常通过最简单的密度估计或直方图完成。. 道格拉斯-普克算法(Douglas–Peucker algorithm,亦称为拉默-道格拉斯-普克算法、迭代适应点算法、分裂与合并算法)是将曲线近似表示为一系列点,并减少点的数量的一种算法。该算法的原始类型分别由乌尔斯·拉默(Urs Ramer)于1972年以及大卫·道格拉斯(David Douglas)和托马斯·普克(Thomas Peucker)于1973年提出,并在之后的数十年中由其他学者予以完善。.
之间平滑和道格拉斯-普克算法相似
平滑和道格拉斯-普克算法有(在联盟百科)0共同点。
上面的列表回答下列问题
- 什么平滑和道格拉斯-普克算法的共同点。
- 什么是平滑和道格拉斯-普克算法之间的相似性
平滑和道格拉斯-普克算法之间的比较
平滑有11个关系,而道格拉斯-普克算法有1个。由于它们的共同之处0,杰卡德指数为0.00% = 0 / (11 + 1)。
参考
本文介绍平滑和道格拉斯-普克算法之间的关系。要访问该信息提取每篇文章,请访问: