mean shift：从图像分割到特征空间分析

mean shift：从图像分割到特征空间分析

题外话
　　我最先看到mean shift是作为一种图像分割的方法，原文来源(Comaniciu & Meer, 2002)。从作者介绍可以知道，mean shift并不是他提出来的，这个方法是模式识别的一种老方法，他发现这个方法在CV中很好用。
　　在CV的书籍中，这个方法通常被介绍作为图像分割的方法，但是这是一个值得推敲的方法，可以在很多的地方使用。

　　定义：一种求特征空间概率密度函数局部极大值的非参数化方法，而mean shift（以下都简称MS）是梯度的方向，即最速上升方向。

1 mean shift原理

1.1 Parzen窗方法

　　Parzen窗方法也叫kernel density estimation，一种特征空间概率密度函数评价的非参数化方法。
　　特征空间有很多特征点，不同位置的特征点的概率密度是不同的，真实的概率密度我们无法得到，只能通过已知的特征点去估计。点稠密的区域对应的概率密度会相对大一些，稀疏的地方概率密度要小一些。
　　在Duda的《模式分类》一书的第4章有详细的介绍，比MS文章的作者讲的更加的清楚，这里就没有必要详细介绍了。

1.2 概率密度函数梯度评价

　　对概率密度函数直接求导，推导过程见原文。
　　最重要的一点是，MS的方向和梯度方向是一致的。
　　其中，很重要的一步做了如下的变换