Mean Shift自适应步长的改进

摘要

Mean Shift算法是一种广泛应用于计算机视觉、模式识别等领域的统计迭代算法,它使每一个点"漂移"到密度函数的局部极大值点,均值漂移的方向就是梯度方向,因此,漂移序列总是向着函数值增加最快的方向移动,并且每次移动的步长大小具有自适应性.本文研究了Mean Shift算法移动步长的自适应性,对其进行改进,使其能够通过参数的适当调整得到优于原Mean Shift算法的收敛速度,并从理论上证明了改进的Mean Shift算法能够收敛.本文的实验也进一步验证了改进的Mean Shift算法的收敛性,并对比了改进前后的Mean Shift算法的收敛速度.