Ce projet est une bibliothèque Python dédiée au clustering sous contrainte de rayon. Il permet de regrouper des données en clusters où chaque point est à une distance maximale d'un centre, en utilisant des algorithmes basés sur le problème du Dominating Set Minimum. Idéal pour des applications nécessitant une segmentation précise et optimisée des données spatiales ou multidimensionnelles.

AMAS4DC est une bibliothèque open source dédiée au clustering de données via un système multi-agents. Elle permet de regrouper automatiquement des points de données en clusters cohérents en temps réel ou en différé. Adaptée aux séries temporelles et aux données multidimensionnelles, elle offre des outils pour ajuster dynamiquement les groupes en fonction de leur similarité et de leur évolution. Idéale pour l'analyse prédictive, la segmentation client ou la détection d'anomalies.

Le projet otb-slic est une implémentation à grande échelle de l'algorithme SLIC (Simple Linear Iterative Clustering) pour la segmentation d'images. Il est utilisé pour l'analyse d'images satellitaires, le traitement d'images médicales et la segmentation de scènes urbaines.

Ce projet propose des outils avancés pour le traitement et l'analyse d'images numériques. Il permet de convertir des images en niveaux de gris, d'appliquer des seuillages, de détecter des contours et de segmenter des images en superpixels. Les algorithmes implémentés incluent des méthodes de traitement d'image classiques comme Sobel, ainsi que des techniques de clustering pour la segmentation.

Ce projet propose des outils avancés pour le traitement et l'analyse d'images numériques. Il permet de convertir des images en niveaux de gris, d'appliquer des seuillages, de détecter des contours et de segmenter des images en super-pixels. Les algorithmes implémentés incluent des méthodes de clustering pour regrouper les pixels similaires et des techniques de détection de points d'intérêt pour l'analyse visuelle.

Ce projet propose des outils avancés pour le traitement et l'analyse d'images numériques. Il permet de convertir des images en niveaux de gris, d'appliquer des seuillages, de détecter des contours et de segmenter des images en superpixels. Les fonctionnalités incluent également des algorithmes de clustering pour regrouper les pixels similaires et des méthodes pour normaliser les intensités lumineuses.

Ce projet propose des outils avancés pour le traitement et l'analyse d'images numériques. Il permet de convertir des images en niveaux de gris, d'appliquer des seuillages, de détecter des contours et de segmenter des images en super-pixels. Les algorithmes implémentés incluent des méthodes de traitement d'image classiques comme Sobel, ainsi que des techniques de clustering pour l'analyse visuelle.

Ce projet propose des outils avancés pour le traitement et l'analyse d'images numériques. Il permet de convertir des images en niveaux de gris, d'appliquer des seuillages, de détecter des contours et de segmenter des images en super-pixels. Les algorithmes implémentés incluent des méthodes de traitement d'image classiques comme Sobel, ainsi que des techniques de clustering pour l'analyse visuelle.

Ce projet implémente un algorithme de clustering permettant de générer des courbes de dispersion à partir de données pré-calculées et de courbes de dispersion préalablement sélectionnées. Les courbes de dispersion sont ajustées à l'aide de splines lissées et les incertitudes sont estimées en ajustant une fonction gaussienne sur les panneaux FTAN moyens.