有关meanshift

Posted 2020-12-27 ariel-dreamland

meanshift可以被用来做目标跟踪和图像分割。

参考《Mean Shift：A Robust Approach Toward Feature Space Analysis》

        公式就不写了。meanshift其实原理挺简单的，就是随便找个种子点，然后开始在该种子点邻域内寻找其目标点的密度中心，那么种子点到密度中心点的向量方向就是密度上升方向了，更新密度中心点为种子点，迭代，直到到达截止条件（opencv里的meanshift把截止条件定为迭代次数和截止精度，当然这两者可以随意组合）。

        改进的meanshift使用了核函数（区别种子点附近和远处点的权重）和权重系数（区别不同样本的权重），但基本原理还是一样的。

        这篇论文很长，在实现该方法的同时，同时系统地证明了meanshift算法是沿着最大密度梯度方向搜索的，并且随着多次迭代，种子点趋于稳定。

        其实在上面讲述的时候去掉了一个背景，就是所有样本都采样自概率密度函数，但这并不影响我们理解其原理。

       

        通过分析meanshift的原理，其目的就是寻找局部最优点，这样很容易联想到它在图像分割或聚类上的应用。

        对于图像处理方面的应用，其样本可认为是（x，y），x值二维坐标，y是颜色空间（p维，maybe  1or3），那么总维数是p+2。

        meanshift也可用作图像平滑，但是对每一个像素点操作用迭代截止值代替，算法复杂度肯定很高了。

        用meanshift算法做目标跟踪时，先预先取一个目标矩形框，在目标移动的时候，就会迭代更新密度中心点到当前目标的密度中心，这样只是一个固定的矩形框的局部范围搜索，算法复杂度肯定可以接受，实时性就不错了。但是通过分析发现用meanshift做跟踪的话，目标突然消失又突然出现，这个算法就凉凉了，所以换句话说，目标必须连续移动。

　　关于用meanshift做图像分割，后面详细介绍一波：