meanshift-自己看，勿喷 （超像素分割，空间分割，聚类，深度模型压缩-现有all）

要使得=0，当且仅当=0，可以得出新的圆心坐标：

                          （3） 

 

上面介绍了meanshift的流程，但是比较散，下面具体给出它的算法流程。

1. 选择空间中x为圆心，以h为半径为半径，做一个高维球，落在所有球内的所有点xi
2. 计算，如果<ε(人工设定)，推出程序。如果>ε, 则利用（3）计算x，返回1.

 想象一下几十匹马同时拉一辆车的恢宏场面，每匹马都往自己的方向拉，不过，距离越近的马，其力量越大，初中物理告诉我们，结果是合力的方向，如上图的黄色箭头。

    注意：Epanechnikov Kernel求导后实质上就是Uniform Kernel。

2.meanshift在图像上的聚类：

真正大牛的人就能创造算法，例如像meanshift，em这个样的算法，这样的创新才能推动整个学科的发展。还有的人就是把算法运用的实际的运用中，推动整个工业进步，也就是技术的进步。下面介绍meashift算法怎样运用到图像上的聚类核跟踪。

一般一个图像就是个矩阵，像素点均匀的分布在图像上，就没有点的稠密性。所以怎样来定义点的概率密度，这才是最关键的。

如果我们就算点x的概率密度，采用的方法如下：以x为圆心，以h为半径。落在球内的点位xi   定义二个模式规则。

（1）x像素点的颜色与xi像素点颜色越相近，我们定义概率密度越高。

（2）离x的位置越近的像素点xi，定义概率密度越高。

所以定义总的概率密度，是二个规则概率密度乘积的结果，可以（4）表示

（4）

其中：代表空间位置的信息，离远点越近，其值就越大，表示颜色信息，颜色越相似，其值越大。如图左上角图片，按照（4）计算的概率密度如图右上。利用meanshift对其聚类，可得到左下角的图。

3.3 图像分割领域的具体化

    本质上，mean shift解决任何问题，都是转化成密度估计问题。但具体问题还得具体分析。对于图像它有两种信息，坐标和颜色，前者为spatial 空间后者为range空间，对于单通道图片即灰度值，对于彩色图片即或者效果更好的等。二者是截然不同的属性，决定了不能等同视之。因此，我们使用多元核密度估计（multivariate kernel）。设spatial有2维，range空间，设为维。

    一元核：

    即

即

    图像分割中使用的多元核：

滤波的结果

 

    物理意义：分别为坐标空间核和颜色空间核的带宽（bandwidth）/尺度，我说不清，看结果吧。
 

 

 

 

 

 

 

 

 

 3.3.3 自适应步长

    可以看出步长与成反比，还是以Normal Kernel为例，越靠近模点，步长越小，反之越大。

    原文证明了，只要是凸函数，单调递减（可以不是哦），那么就能保证它总能收敛到模点，并且是单调递增的（我没看……）。只要步履不停，我们总会遇见，多么美好的世界啊，求遇见。

    3.3 图像分割领域的具体化

    本质上，mean shift解决任何问题，都是转化成密度估计问题。但具体问题还得具体分析。对于图像它有两种信息，坐标和颜色，前者为spatial 空间后者为range空间，对于单通道图片即灰度值，对于彩色图片即或者效果更好的等。二者是截然不同的属性，决定了不能等同视之。因此，我们使用多元核密度估计（multivariate kernel）。设spatial有2维，range空间，设为维。

    一元核：

    即

    图像分割中使用的多元核：

 

滤波的结果

    物理意义：分别为坐标空间核和颜色空间核的带宽（bandwidth）/尺度，我说不清，看结果吧。

    3.4回首OpenCV实现

    第二步，重心计算公式

    我们是对以为中心为边长的区域求重心，其实本应该是：

    用的是Uniform Kernel，也就是说用的是Epanechnikov Kernel

    此时，距离筛选是由核函数实现的，因此我们是对图像中所有的数据点计算重心，而不是落在为中心，为边长的区域内的点求重心。

    OpenCV的实现中， 并不是圆形的，为了循环时程序实现的方便，就用方形近似，但是严格的球体。

    不过方形的也可以写成核函数形式：

    此外，Normal Kernel 的平滑效果固然好，但是计算量大，所以主要还是用Uniform Kernel。原文说大部分场合，Uniform Kernel和Normal Kernel就能取得很好的效果。
 

 

 

 

图像分割加速：原文提到了一种加速方法，先随机选取一部分点作为先头部队，让它们去找模点，找的过程中就会开辟出很多到模点的道路，然后呢，让其余的点插到离它最近的路走过去就好了。此外，还有层级分割的方法，OpenCV的实现应该就是其中一种实现。

    A topological approach to hierarchical segmentation using mean shift. CVPR 2007

    目标跟踪：Kernel-Based Object Tracking, PAMI 03

 

 

 

 

 

 

Reference:

[1] Mean shift: A robust approach toward feature space analysis, PAMI, 2002

[2] mean shift,非常好的ppt ，百度文库链接

[3] Pattern Recognition and Machine Learning, Bishop, 2006，Sec 2.5

[4] Computer Vision Algorithms and Applications, Richard Szeliski, 2010, Sec 5.3

[5] Kernel smoothing,MP Wand, MC Jones ,1994, Chapter 4

mean shift 图像分割 (一): 1 总体思想，2 算法步骤

mean shift 图像分割 (二): 3 算法原理，4 延伸

mean shift 图像分割 (三): 5 非参数密度估计

图像分割—mean shift(OpenCV源码注解)

--------------------- 
作者：TTransposition 
来源：CSDN 
原文：https://blog.csdn.net/ttransposition/article/details/38514271 
版权声明：本文为博主原创文章，转载请附上博文链接！