【簡介】均值平移算法與道路圖像分割方法探討

1、均值平移算法與道路圖像分割方法探討均值平移算法與道路圖像分割方法探討均值平移（MS，Meanshift）算法是一種有效的統(tǒng)計迭代算法，由Fukunaga[1]于1975年首次提出來的.但是直到1995年Cheng[2]論文的發(fā)表才使該算法引起人們的研究興趣他改進了MS算法中的核函數(shù)和權重函數(shù)，并將其應用于聚類和全局優(yōu)化，擴大了該算法的適用范圍，從而掀起了研究和應用均值平移算法的熱潮，代表性的文章是2002年Comaniciu的文章[12

2、].作為一種有效的統(tǒng)計迭代算法均值平移算法的收斂性研究是應用的基礎Comaniciu[4]、李鄉(xiāng)儒[13]等人分別對均值平移算法的收斂性進行了證明.近年來均值平移算法已被成功應用于非剛體目標跟蹤、圖像分割、濾波、邊緣提取和信息融合等圖像處理的多個領域.該算法是一種非參數(shù)的核密度估計理論是在概率空間中求解概率密度極值的優(yōu)化算法.它讓每個點平移到密度函數(shù)的局部極大值處即均值平移向量的方向與數(shù)據(jù)的密度梯度估計方向一致.這種方法可以實現(xiàn)無監(jiān)督、

3、非參數(shù)的聚類[7]。一、理論1核密度估計非參數(shù)概率密度估計方法的核心思想是：某一點處的概率密度可以通過該點附近的一個小區(qū)域樣本來估計。Parzen[13]推廣了這種思想，并提出了基于核的密度估計方法。定義定義1.1：令X是n維歐式空間Rn，x?X，如果映射k：[0?]?R和K：X?R滿足關系（1.1????2Kxckx?）且k（x）非負、不增、分段連續(xù)，稱K（x）為核函數(shù)，k（x）為K（x）的輪廓函數(shù)。其中，c是一個比例因子。定義定義1

4、.2：令xii=12…n為d維空間中的n個樣本點，在一個d維的超立方體中，采用核函數(shù)對某一向量x的概率密度估計定義為式（1.2）：（1.2）????11?niifxKxxn????H式中：（1.3）??1122KxKx?????????HHHH為dd的帶寬矩陣，對于帶寬矩陣H的選擇，一般有兩種，分別是對角形矩陣H=diag[…]或者成比例的單位矩陣H=h2I。21h2dh在式（1.2）中，核函數(shù)K（x）的作用是控制樣本點對概率密度估計的

5、權值，常用的核函數(shù)有可微分的Epanechnikov核和高斯核兩種，（2.3）????????2212221122?22?niiniihGddniiihGhGxxxghxxfxgxhxxnhghfxMSxh?????????????????????????????????????????????????????式中：f(x)為目標概率密度，k(x)為核函數(shù)，h為核寬。x為目標的中心像素坐標，xi為x的鄰域像素坐標。由式（2.3）可以看出

6、，左邊圓括號中的內(nèi)容與目標的概率密度成比例，而右方括號部分即為均值平移向量，分別表達為式（2.4）和式（2.5）（2.4）????2211?2nihGddixxfxghnh??????????????（2.5）??2121niiihGniixxxghMSxxxxgh????????????????????????再將式（2.3）變形為，（2.6）??????2??2hKhGhGhfxMSxfx??對于給定點x，其密度估計為一常數(shù)，所以式

7、（2.6）可以理解為均值平移向???hGfx量總是指向樣本密度梯度估計最大化的方向。??hGMSx???hKfx?二、基于均值平移理論的圖像分割研究圖像處理包括低層次的圖像復原，圖像增強等，較高層次的圖像處理是指圖像分析，圖像理解，其輸出的是對圖像的描述，理解和分類。在處理工程中，感興趣的是如何對目標進行描述，著眼點是圖像中的某個目標區(qū)域，而不是針對單個的像素點。圖像分割就是實現(xiàn)圖像從低層次到高層次的一個重要過程。圖像分割技術的研究多年

8、來一直受到人們的高度重視，每年有相當多的研究成果，然而到目前為止并沒有統(tǒng)一的分類方法，通常根據(jù)各自的處理策略，實現(xiàn)方法，應用目的等進行不同的分類。根據(jù)分割過程處理策略的不同，把圖像分割分為并行算法和串行算法。根據(jù)實現(xiàn)技術的不同，把圖像分割分為基于圖像直方圖的分割方法（閾值分割，聚類等），基于領域的分割方法（邊緣檢測，區(qū)域生長），基于物理性質(zhì)的分割技術（利用光照特性和物體對稱性等），根據(jù)使用知識的特點和層次分為直接針對灰度值操作（邊緣檢測