mean shitf算法

近段时间学习了mean shitf算法，现在在这里做个总结，主要从以下几个方面进行

1、mean shift的发展

2、最初的mean shift算法

3、改进的meanshitf算法

4、meanshift算法的推导

5、meanshitf算法的应用

1、mean shift的发展

mean shift早在1975年即有Fukunaga等人提出，真正发展起来是在1995年，Yizong Cheng发表的一篇关于Meanshift的文章，其在mean shift算法加入了kernel的概念，并加入了权重系数，极大的扩大了mean shift算法的应用空间，图像平滑，图像分割，tracking等一系列应用

2、最初的mean shift算法

mean shift函数定义式：

其中Sk为d维空间中的点集，xi代表Sk中的点，x维空间中一点，k表示xi的点数，Sk的定义式可表示如下：

更加形象一点的图可见下图：

其中黑点表示x，空心点表示xi，从黑点到空心点的箭头向量表示xi-x，整个圆圈表示Sk，所有Xi-X的向量相加，平均得到一个向量，该向量即可表示均值漂移向量m(x)，将m（x）的值赋值个x，x = m（x），经过多次反复迭代，最终，当m(x)- x < h (h表示一个阈值常量)时，停止迭代，此时找到的m（x）点即为原始点x的均值漂移点

下面三个图可以为三次迭代过程：

空间中任意一点x

中心点漂移：

最终迭代找到密度稠密位置：

3、改进的meanshitf算法

从(1)式我们可以看出,只要是落入Sk的采样点,无论其离远近,对最终的计算的贡献是一样的,然而我们知道,一般的说来,离x越近的采样点对估计周围的统计特性越有效,因此我们引进核函数的概念,在计算时可以考虑距离的影响;同时我们也可以认为在这所有的样本点中,重要性并不一样,因此我们对每个样本都引入一个权重系数w（x）.

MeanShift形式扩展为:

4、meanshift算法的推导

对一个概率密度函数f(x),已知d维空间中n个采样点,i=1,…,n,f(x) 的核函数估计为:

另外我们有两个如下定义：

核函数K(x)的剖面函数k(x),使得K(x)=k(||x||^2)

K(x)的负导函数g(x),即g(x)=-k'(x) ,其对应的核函数G(x)= g(||x||^2)

概率密度函数f(x)的梯度如下：

5、meanshitf算法的应用

图像平滑：

mean shift 算法可以让我们找到与当前像素点关系最紧密点，因此我们对图像中每一个像素进行一次mean shift算法，用均值漂移后点的像素代替当前点像素即可得到图像平滑的效果

图像分割：

图像分割与平滑一样，将所有收敛到同一像素点的所有像素点分割成一部分

tracking：

我们用一个物体的收敛中心来表示这个物体，将候选物体中心与该收敛中心进行对比，即可实现tracking