Mean Shift 算法总结

Mean Shift算法是一种适应性良好的迭代方法,常用于目标跟踪、图像处理等领域。它通过不断移动点到其邻域特征值均值,寻找概率密度函数的局部极大值,即模式点。算法基于核密度估计,通过高斯核函数优化,可以实现图像聚类和跟踪。缺点是计算速度慢。
摘要由CSDN通过智能技术生成


      一、简介

      二、具体含义

      三、细节

      四、缺点

----------------------------------------------------------------------------------------------------


      一、简介

    Mean shift的这种思想可以应用于目标跟踪、图像平滑、边缘检测、聚类等,是一种适应性很好的算法,缺点是速度非常慢。


    Mean Shift 这个概念最早是由Fukunaga等人于1975年在一篇关于概率密度梯度函数的估计(The Estimation of the Gradient of a Density Function, with Applications in Pattern Recognition)中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里Mean Shift是一个名词,它指代的是一个向量,但随着Mean Shift理论的发展,Mean Shift的含义也发生了变化,如果我们说Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束。


    然而在以后的很长一段时间内Mean Shift并没有引起人们的注意,直到20年以后也就是1995,另外一篇关于Mean Shift的重要文献(Mean shift,mode seeking, and clustering )才发表在这篇重要的文献中,Yizong Cheng对基本的Mean Shift算法在以下两个方面做了推广,首先Yizong Cheng定义了一族核函数使得随着样本与被偏移点的距离不同,其偏移量对均值偏移向量的贡献也不同其次Yizong Cheng还设定了一个权重系数使得不同的样本点重要性不一样,这大大扩大了Mean Shift的适用范围另外Yizong Cheng指出了Mean Shift可能应用的领域并给出了具体的例子。


      Mean Shift算法本质上是最优化理论中的最速下降法(亦称梯度下降法,牛顿法等),即沿着梯度下降方法寻找目标函数的极值。在跟踪中,就是为了寻找到相似度值最大的候选目标位置。也可以将它理解为是一种核密度估计算法,它将每个点移动到密度函数的局部极大值点处,即,密度梯度为0的点,也叫做模式点。

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值