今天看到了opencv cookbook一書的第四章，看到了meanshift這個概念。其實以前也看到過這個概念，知道可以用meanshift來做目標跟蹤和圖像分割。但那時候只知道這個東西叫做均值漂移，並不知道它是怎麼做圖像分割的。冥冥之中感覺這玩意兒對我現在寫的論文有幫助，今天對着Dorin Comaniciu 等人2002年寫的《Mean Shift：A Robust Approach Toward Feature Space Analysis》研究了一下，大致理清了它的概念。
公式就不寫了。meanshift其實原理挺簡單的，就是隨便找個種子點，然後開始在該種子點鄰域內尋找其目標點的密度中心，那麼種子點到密度中心點的向量方向就是密度上升方向了，更新密度中心點爲種子點，迭代，直到到達截止條件（opencv裏的meanshift把截止條件定爲迭代次數和截止精度，當然這兩者可以隨意組合）。
改進的meanshift使用了核函數（區別種子點附近和遠處點的權重）和權重係數（區別不同樣本的權重），但基本原理還是一樣的。
這篇論文很長，但作爲牛逼的論文嘛，在實現該方法的同時，它系統地證明了meanshift算法是沿着最大密度梯度方向搜索的，並且隨着多次迭代，種子點趨於穩定。
其實在上面講述的時候去掉了一個背景，就是所有樣本都採樣自概率密度函數，但這並不影響理解其原理。
通過分析meanshift的原理，其目的就是尋找的是局部最優點，這樣很容易聯想到其在圖像分割或聚類上的應用。
對於其應用到圖像處理上來，其樣本可認爲是（x，y），x值二維座標，y是顏色空間（p維，maybe 1or3），那麼總維數是 p+2。
meanshift也可用作圖像平滑，但是對每一個像素點操作用迭代截止值代替，算法複雜度肯定很高了。
目前用meanshift的很多其實還是目標跟蹤，先預先取一個目標矩形框，在目標動的時候，就會迭代更新密度中心點到當前目標的密度中心，這樣只是一個固定的矩形框的局部範圍搜索，算法複雜度肯定可以接受，實時性就不錯了。但是通過分析發現用meanshift做跟蹤的話，目標突然消失又突然出現，這個算法肯定傻逼了，所以換句話說，目標必須連續移動。
好吧，其實我最初是想做一幅複雜背景圖片裏的前景區域（可能有很多顏色和前景類似物體，但假定它們的size比前景物體要小很多）的提取，該算法的局部收斂讓我很鬱悶，誰能給我個好的建議啊，感激不盡啊！！！