图像分割之mean shift

阅读目的:理解quick shift,同时理解mean shift原理,mean shift用于图像聚类,优点是不需要指定聚类中心个数,缺点是计算量太大(原因)。

mean shift主要用来寻找符合一些数据样本的模型,证明样本符合某一概率密度函数(PDF),是一种非参数迭代算法能够寻找模型和聚类。

图像分割之mean shift_第1张图片

 

数据经过非参数密度估计能够得到符合数据分布的概率密度函数,而mean shift是非参数的密度梯度估计,能够对概率密度函数进行分析,比如找到概率密度函数极值点。

面对的是什么样的一个问题,mean shift能够解决?

      以聚类为例,一副图像需要进行分割,根据的是像素间的距离和像素的颜色,亮度相似性。那么我们就将这些东西量化构建一个图像的特征空间。这个特征空间包括像素在图像中的位置以及每个像素RGB三个分量。在特征空间中位置相近,颜色相近会聚集在一起成为一类。

      我们的目的是找到这样一个个聚类中心,将中心一定范围内的像素赋值给相同的标签。mean shift将特征空间(连续的)中的点(如图像中的像素)当成抽样隐藏概率密度函数(可表示成曲面或超曲面)上的点(如上图),那么密集的区域或者某个聚类就相当于概率密度函数的模式(局部最大值)。这样找聚类中心就转换成求隐含概率密度函数的模式。

mean shift 的流程

1.在特征空间中每个点上放置一个窗口

2.计算窗口中所有数据的均值

3.移动窗口到均值,直到窗口到达最密集的区域。

图像分割之mean shift_第2张图片

图像分割之mean shift_第3张图片

待更新

你可能感兴趣的:(shift,mean,图像分割)