1.根据算法的公式当中的meanshift向量的表达可以看出,这是通过对局部的区域中点向量的和求取平均来表达局部梯度的!这一点和机器学习中谈到的局部加权回归的思想很类似!
2.这种算法是属于搜索算法的一种,运算速度和准确度是其的短板之一!
3.在求取密度函数的过程当中不能够将该点的灰度值大小的作为直接的信息项加入,这里强调的只是密度,通常的做法是灰度的相似程度和距离的远近!
4.在做图像的平滑时,窗口的大小非常关键! 有位置的窗口大小hr和像素相似度的窗口hs.
5用meanshift做图像分割就是先进行图像的平滑,将图像分成了很多灰度相同的小区域.然后根据其他的算法或者手段将相似度比较高的区域进行合并,实现分割的目的!
6.看到这篇文章的实现(http://www.cnblogs.com/easymind223/archive/2012/07/03/2574887.html)图像的平滑,其中将hr*hr窗口中的像素相似度小于hs像素的灰度进行求和,然后取平均,如果该窗口中有较多的某像素度,则平均结果偏向于该像素度,然后用hs来控制每次的迭代,(L-l)<hs,每次迭代中L会发生变化,故此实现向密度较大的地方移动。但是此种方法对于hs的选取太过敏感,也很难把握,不推荐这样的实现方式,L的数值在hr*hr的窗口中迭代的结果发生的变化不是很大,所以在下次迭代当中对(L-l)<hs发生变化的像素的点不会很多,所以下次的迭代不会发生较大的变化,故此这样的实现方式的收敛速度就会非常的慢!方案一:做差,求和,求平均。方案二:以均值为u,运用高斯函数促进收敛!