《第五课均值漂移分析》.pptVIP

第五课均值漂移分析;目录;Mean Shift 原理;均值漂移法 (Mean Shift);直观说明;直观说明;直观说明;直观说明;直观说明;直观说明;直观说明;What is Mean Shift ?;参数化估计：ML方法和Bayesian估计。假设概率密度形式已知。 实际中概率密度形式往往未知。 实际中概率密度往往是多模的，即有多个局部极大值 。 实际中样本维数较高，且关于高维密度函数可以表示成一些低维密度函数乘积的假设通常也不成立。 非参数密度估计方法：能处理任意的概率分布，而不必假设密度函数的形式已知。;直方图方法：非参数概率密度估计的最简单方法 1. 把x的每个分量分成k 个等间隔小窗， （ x∈Ed ，则形成kd 个小舱） 2. 统计落入各个小舱内的样本数qi 3. 相应小舱的概率密度为： qi /(NV ) （ N ：样本 总数，V ：小舱体积） ;直方图的例子;非参数概率密度估计的核心思路： ;非参数密度估计;;;;核密度估计总体框架;核密度估计函数形式;核密度估计常用核函数;核密度 估计;核密度 估计;计算 Mean Shift;Mean Shift 模式检测;;;;真正的形态分析An example;自适应 Mean Shift;;Mean Shift 应用;聚类;聚类合成案例;聚类真实案例;聚类真实案例;聚类真实案例;间断保持平滑;间断保持平滑;;间断保持平滑;间断保持平滑Example;间断保持平滑Example;边缘存在于目标与背景、目标与目标、区域与区域之间，是图像最基本的特征之一为人们描述或识别目标以及解释图像提供了一个重要的特征参数。 它蕴含了图像丰富的内在信息（如方向、阶越性质与形状等）； 纹理特征的重要信息源和形状特征的基础； 图像分割、图像分类、图像配准和模式识别所依赖的重要特征。 如果能成功地检测出图像的边缘，图像分析、图像识别就会方便得多，精确度也会得到提高。;边缘检测射线传播;边缘检测射线传播;边缘检测射线传播;边缘检测;边缘检测Example;边缘检测Example;图像分割的概念 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分一般称为目标或前景。 为了辨识和分析目标，需要将有关区域分离提取出来，在此基础上对目标进一步利用，如进行特征提取和??量。 图像分割就是指把图像分成各具特性的区域，并提取出感兴趣目标的技术和过程。;图像分割;图像分割Example;图像分割Example;图像分割Example;图像分割Example;图像分割Example;图像分割Example;图像分割Example; 所谓目标跟踪，可以简单地定义为对连续的视频序列中的目标维持一条航迹，进而获得目标的位置、速度等运动参数，以及形状、大小、颜色等对后续目标分析与理解非常重要的测量信息。 ;非刚性目标跟踪 ;非刚性目标跟踪;当前帧;Mean-Shift 目标跟踪总体框架: 目标定位;Mean-Shift 目标跟踪目标表示;Mean-Shift 目标跟踪PDF 表示;;Mean-Shift 目标跟踪寻找目标模板的 PDF;Mean-Shift 目标跟踪相似性函数;Mean-Shift 目标跟踪目标定位算法;线性近似(以 y0 为中心);Mean-Shift 目标跟踪最大化相似性函数;Mean-Shift 目标跟踪应用 Mean-Shift;Mean-Shift 目标跟踪关于核函数和轮廓函数;Mean-Shift 目标跟踪核函数选取;Mean-Shift 目标跟踪自适应窗口大小;Mean-Shift 目标跟踪结果;Mean-Shift 目标跟踪结果;Mean-Shift 目标跟踪结果;Mean-Shift 目标跟踪结果;Mean-Shift 目标跟踪尺度选择问题;尺度空间跟踪Motivation;Lindeberg’s 理论选择最佳尺度来描述图像特征;尺度空间表示法;Lindeberg’s 理论多尺度特征选择过程;尺度空间跟踪使用DOG逼近LOG;尺度空间跟踪利用 Lindeberg’s 理论;尺度空间跟踪Example;尺度空间跟踪应用 Mean-Shift;尺度空间跟踪Results