简略的meanshift算法

MeanShift算法可以看作是使多个随机中心点向着密度最大的方向移动，最终得到多个最大密度中心。
可以看成初始有多个随机初始中心，每个中心都有一个半径为bandwidth的圆，我们要做的就是求解一个向量，使得圆心一直往数据集密度最大的方向移动，也就是每次迭代的时候，都是找到圆里面点的平均位置作为新的圆心位置，直到满足某个条件不再迭代，这时候的圆心也就是密度中心。

原文链接：https://blog.csdn.net/yanwande/article/details/50387735
基本思想如网页https://blog.csdn.net/weixin_39249915/article/details/90171173所示
本文主要补充一下两点：
1.对公式的说明


这里的K为蓝色大圆中包含的所有点的个数，计算出来的均值偏移向量即为上面第二个图中的黄色箭头。来自http://www.seotest.cn/jishu/33702.html

2.对https://blog.csdn.net/weixin_39249915/article/details/90171173算法的精细描述
假设在一个多维空间中有很多数据点需要进行聚类，Mean Shift的过程如下：

预备工作：为所有点维护一个m行n列的矩阵A，初始化为0，m是点的个数，n是目前已得到的聚类个数。
元素（m,n）指的是m号点被n号聚类访问的次数（访问的定义如下）。

1、在未被标记的数据点中随机选择一个点作为中心center，这个center属于新的聚类c2，为所有点都生成一个m行1列的0矩阵B，元素（m，0）表明m号点被c2访问的次数；

2、找出离center距离在bandwidth之内的所有点，记做集合M，认为这些点属于类c2（这些点被c2访问），对这些点进行标记。同时，把B这些点对应的元素加1（被c2访问的次数），这个参数将用于步骤7的分类。

3、以center为中心点，计算从center开始到集合M中每个元素的向量，将这些向量相加，得到向量shift。

4、center = center+shift。即center沿着shift的方向移动，移动距离是||shift||。

5、重复步骤2、3、4，直到shift的大小很小（就是迭代到收敛），记住此时的center。注意，这个迭代过程中遇到的点（圆内的点）都应该归类到簇c2。

6、如果收敛时当前簇c2的center与其它已经存在的簇c1中心的距离小于阈值，那么把c2和c1合并成簇c，把A中c1对应的列和B相加，这一列表明点被簇c访问的次数。否则，把c2作为新的聚类，在A中增加一列，用B进行赋值，表明点被c2访问的次数，增加1类。

6、重复1、2、3、4、5直到所有的点都被标记访问。

7、分类：根据每个类，对每个点的访问频率，取访问次数最大的那个类，作为当前点集的所属类。

简单的说，mean shift就是沿着密度上升的方向寻找同属一个簇的数据点。