Mean Shift 概述
Mean Shift 简介
Mean Shift 这个概念最早是由 Fukunaga 等人[1]于 1975 年在一篇关于概率密度梯度函数的估计中提出
来的,其最初含义正如其名,就是偏移的均值向量,在这里 Mean Shift 是一个名词,它指代的是一个向量,但随
着 Mean Shift 理论的发展,Mean Shift 的含义也发生了变化,如果我们说 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.
然而在以后的很长一段时间内 Mean Shift 并没有引起人们的注意,直到 20 年以后,也就是 1995 年,另外
一篇关于 Mean Shift 的重要文献[2]才发表.在这篇重要的文献中,Yizong Cheng 对基本的 Mean Shift 算法在
以下两个方面做了推广,首先 Yizong Cheng 定义了一族核函数,使得随着样本与被偏移点的距离不同,其偏
移量对均值偏移向量的贡献也不同,其次 Yizong Cheng 还设定了一个权重系数,使得不同的样本点重要性不
一样,这大大扩大了 Mean Shift 的适用范围.另外 Yizong Cheng 指出了 Mean Shift 可能应用的领域,并给出了
具体的例子.
Comaniciu 等人[3][4]把 Mean Shift 成功的运用的特征空间的分析,在图像平滑和图像分割中 Mean Shift
都得到了很好的应用. Comaniciu 等在文章中证明了,Mean Shift 算法在满足一定条件下,一定可以收敛到最
近的一个概率密度函数的稳态点,因此 Mean Shift 算法可以用来检测概率密度函数中存在的模态.
Comaniciu 等人[5]还把非刚体的跟踪问题近似为一个 Mean Shift 最优化问题,使得跟踪可以实时的进行.
在后面的几节,本文将详细的说明 Mean Shift 的基本思想及其扩展,其背后的物理含义,以及算法步骤,并
给出理论证明.最后本文还将给出 Mean Shift 在聚类,图像平滑,图像分割,物体实时跟踪这几个方面的具体应
用.
Mean Shift 的基本思想及其扩展
基本 Mean Shift
给定 d 维空间 中的 n 个样本点