matlab中partdata,[转载]meanshift算法

最新推荐文章于 2021-03-23 03:21:45 发布

最近一直忙于睡觉

最新推荐文章于 2021-03-23 03:21:45 发布

阅读量381

点赞数

文章标签： matlab中partdata

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.

Meanshift推导

给定d维空间Rd的n个样本点 ,i=1,…,n,在空间中任选一点x，那么Mean

Shift向量的基本形式定义为:

Sk是一个半径为h的高维球区域,满足以下关系的y点的集合,

k表示在这n个样本点xi中,有k个点落入Sk区域中.

以上是官方的说法，即书上的定义，我的理解就是，在d维空间中，任选一个点，然后以这个点为圆心，h为半径做一个高维球，因为有d维，d可能大于2，所以是高维球。落在这个球内的所有点和圆心都会产生一个向量，向量是以圆心为起点落在球内的点位终点。然后把这些向量都相加。相加的结果就是Meanshift向量。

如图所以。其中黄色箭头就是Mh(meanshift向量)。

再以meanshift向量的终点为圆心，再做一个高维的球。如下图所以，重复以上步骤，就可得到一个meanshift向量。如此重复下去，meanshift算法可以收敛到概率密度最大得地方。也就是最稠密的地方。

最终的结果如下：

Meanshift推导：

那么，meanshift算法变形为

(1)

解释一下K()核函数，h为半径，Ck,d/nhd

为单位密度，要使得上式f得到最大，最容易想到的就是对上式进行求导，的确meanshift就是对上式进行求导.

(2)

令：

K(x)叫做g(x)的影子核，名字听上去听深奥的，也就是求导的负方向，那么上式可以表示

对于上式，如果才用高斯核，那么，第一项就等于fh,k

第二项就相当于一个meanshift向量的式子：

那么(2)就可以表示为

下图分析

的构成，如图所以，可以很清晰的表达其构成。

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。

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

计算

，如果

>ε, 则利用(3)计算x，返回1.

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。

Matlab中meanshift算法

mean-shift

的特点是把支撑空间和特征空间在数据密度的框架下综合了起来。对图像来讲，支撑空间就是像素点的坐标，特征空间就是对应像素点的灰度或者RGB三分量。将这两个空间综合后，一个数据点就是一个5维的向量：[x,y,r,g,b]。

这在观念上看似简单，实质是一个飞跃，它是mean-shift方法的基点。

mean-shift方法很宝贵的一个特点就是在这样迭代计算的框架下，求得的mean-shift向量必收敛于数据密度的局部最大点。可以细看[ComaniciuMeer2002]的文章。

写了点程序，可以对图像做简单的mean-shift filtering，供参考：

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

function [DRGB, DSD, MSSD] = MScut(sMode, RGB_raw, hs, hf, m

);

% designed for segmenting a colour image using mean-shift

[ComaniciuMeer 2002]

% image must be color

% procedure in mean-shift

% 1. combine support space and feature space to make a mean-shift

space

% based data description

% 2. for every mean-shift space data

% 3. do mean-shift

filtering

% until convergence

% 4. end

% 5. find the converged mean-shift space data that you are

interested in

% and label it

% 6. repeat the above steps

% a -- data in

support space

% b -- data in

feature space

% x -- data in

mean-shift space

% f(.) -- data density

function

% k(.) -- profile function

(implicit)

% g(.) -- profile function

(explicit)

% m -- mean shift

vector

% hs -- bandwidth in support

space

% hf -- bandwidth in feature

space

% M -- threshold

to make a distinct cluster

%% enter $hs$, $hf$, $m$ if necessary

if ~exist('hs')

hs = input('please enter

spatial bandwidth (hs):n');

end

if ~exist('hf')

hf = input('please enter

feature bandwidth (hf):n');

end

if ~exist('m')

m = input('please enter

minimum cluster size (m):n');

end

switch upper(sMode)

case 'RGB'

RGB = double(

RGB_raw );

case 'gray'

error('FCMcut

must use colored image to do segmentation!')

end

sz = size(RGB);

mTCUT = Tcut( RGB(:,:,1) ); % trivial segmentation

%% project data into mean-shift space to make $MSSD$ (mean-shift

space data)

mT = repmat([1:sz(1)]', 1, sz(2));

vX = mT(1:end)'; % row

mT = repmat([1:sz(2)], sz(1), 1);

vY = mT(1:end)'; % column

mT = RGB(:,:,1);

vR = mT(1:end)'; % red

mT = RGB(:,:,2);

vG = mT(1:end)'; % green

mT = RGB(:,:,3);

vB = mT(1:end)'; % blue

MSSD = [vX, vY, vR, vG, vB];

%% make $g$ - explicit profile function

disp('Using flat kernel: Epanechnikov kernel...')

g_s = ones(2*hs+1, 2); % 's' for support space

g_f = ones(2*hf+1, 3); % 'f' for feature space

%% main part $$

nIteration = 4;

nData = length(MSSD); % total

number of data

DSD = MSSD*0; %

'DSD' for destination space data

for k = 1:nData

tMSSD = MSSD(k,:); % 't' for

temp

for l = 1:nIteration

mT = abs(

MSSD - repmat(tMSSD, nData, 1));

vT = logical(

(mT(:,1)<=hs).*(mT(:,2)<=hs).*(mT(:,3)<=hf).*(mT(:,4)<=hf).*(mT(:,5)<=hf)

);

v =

MSSD(vT,:);

% update

$tMSSD$

tMSSD = mean(

v, 1 );

if nIteration

== l

DSD(k,:) =

tMSSD;

end

% show result

DRGB = RGB * 0;

DRGB(:,:,1) = reshape(DSD(:,3), sz(1), sz(2)); % red

DRGB(:,:,2) = reshape(DSD(:,4), sz(1), sz(2)); % red

DRGB(:,:,3) = reshape(DSD(:,5), sz(1), sz(2)); % red

figure, imshow(uint8(DRGB), [])