Opencv学习笔记（二）meanshift之我见

       

         今天看到了opencv cookbook一书的第四章，看到了meanshift这个概念。其实以前也看到过这个概念，知道可以用meanshift来做目标跟踪和图像分割。但那时候只知道这个东西叫做均值漂移，并不知道它是怎么做图像分割的。冥冥之中感觉这玩意儿对我现在写的论文有帮助，今天对着Dorin Comaniciu 等人2002年写的《Mean Shift：A Robust Approach Toward Feature Space Analysis》研究了一下，大致理清了它的概念。

        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，但作为牛逼的论文嘛，在实现该方法的同时，它系统地证明了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，但这并不影响理解其原理。

        

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

        对于其应用到图像处理上来，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。

         目前用meanshift的很多其实还是目标跟踪，先预先取一个目标矩形框，在目标动的时候，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，这个算法肯定傻逼了，所以换句话说，目标必须连续移动。

        好吧，其实我最初是想做一幅复杂背景图片里的前景区域（可能有很多颜色和前景类似物体，但假定它们的size比前景物体要小很多）的提取，该算法的局部收敛让我很郁闷，谁能给我个好的建议啊，感激不尽啊！！！