【简介】均值平移算的法与道路图像分割方法探讨.docVIP

均值平移算法与道路图像分割方法探讨 均值平移（MS，Meanshift）算法是一种有效的统计迭代算法，由 Fukunaga[1]于1975年首次提出来的.但是直到1995年,Cheng[2]论文的发表才使该算法引起人们的研究兴趣,他改进了MS算法中的核函数和权重函数，并将其应用于聚类和全局优化，扩大了该算法的适用范围，从而掀起了研究和应用均值平移算法的热潮，代表性的文章是2002年Comaniciu的文章[12]. 作为一种有效的统计迭代算法,均值平移算法的收敛性研究是应用的基础, Comaniciu[4]、李乡儒[13]等人分别对均值平移算法的收敛性进行了证明.近年来,均值平移算法已被成功应用于非刚体目标跟踪、图像分割、滤波、边缘提取和信息融合等图像处理的多个领域.该算法是一种非参数的核密度估计理论,是在概率空间中求解概率密度极值的优化算法.它让每个点平移到密度函数的局部极大值处,即均值平移向量的方向与数据的密度梯度估计方向一致.这种方法可以实现无监督、非参数的聚类[7]。 一、理论 1核密度估计 非参数概率密度估计方法的核心思想是：某一点处的概率密度可以通过该点附近的一个小区域样本来估计。Parzen [13] 推广了这种思想，并提出了基于核的密度估计方法。 定义.1：令X是n维欧式空间Rn，x?X，如果映射k：[0, ?]?R和K：X?R满足关系 （.1） 且k（x）非负、不增、分段连续，称K（x）为核函数，k（x）为K（x）的轮廓函数。其中，c是一个比例因子。 定义.2：令xi, i = 1, 2, … , n为d维空间中的n个样本点，在一个d维的超立方体中，采用核函数对某一向量x的概率密度估计定义为式（.2）： （.2） （.3） H为d×d的带宽矩阵，对于带宽矩阵H的选择，一般有两种，分别是对角形矩阵H = diag [, …,] 或者成比例的单位矩阵H = h2I。 在式（.2）中，核函数K（x）的作用是控制样本点对概率密度估计的权值，常用的核函数有Epanechnikov核和高斯核两种， （.4） （.5） 若令带宽矩阵H = h2I，式（.2）转化为， （.6） 如核函数使用式（.5）的高斯核，则式（.6）进一步转化为： （.7） 引入轮廓函数的概念，式（.7）变形为， （.8） 2密度梯度估计 类似于Parzen的思想，Fukunaga和Hostetler [ ]利用密度估计的梯度作为对密度梯度的估计。有， （.1） 令 （2.2） 将式（.2）带入式（.1），有 （.3） f(x)为目标概率密度，k(x)为核函数，h为核宽。x为目标的中心像素坐标，xi为x的邻域像素坐标。由式（.3）可以看出，左边圆括号中的内容与目标的概率密度成比例，而右方括号部分即为均值平移向量，分别表达为式（.4）和式（.5） （.4） （.5） 再将式（.3）变形为， （.6） 对于给定点x，其密度估计为一常数，所以式（.6）可以理解为均值平移向量 总是指向样本密度梯度估计最大化的方向。 则在点x处，用定义的核函数和的正对称窗宽矩阵H得到多变量密度估计算子表达式为： （.7） （.8） 为常数。 实际应用中，窗宽矩阵H和核函数的选择对聚类结果有直接的影响，选择单位矩阵的倍数阵H = h2I和可微分的核函数Epanechnikov核，通过线性密度的梯度估计得到密度的梯度为： （.9） 表示d维特征空间中半径为h，中心在,包含个数据点，体积为的超球体。 其中就是在超球体中计算得到的核密度估计，后面部分定义为均值平移向量 代入上式，得到： （.10）和 ，是5维特征空间中均值平移处理前后的像素点，对图像中每个