毕设之均值漂移翻译 刘金芸.docVIP

本科毕业设计(论文)外文翻译译文 学生姓名： 刘金芸 院 (系)： 计算机学院 专业班级： 通信0801 指导教师： 李小和 完成日期： 2012 年 3 月 10日 均值漂移：一种用于特征空间分析的强健算法 Mean Shift: A Robust Approach Toward Feature Space Analysis 作者：Dorin Comaniciu, Member, IEEE, and Peter Meer, Senior Member, IEEE 起止页码：第1页-第9页 出版日期：VOL.24，2002年5月 出版单位：IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE 摘要：针对多峰特征空间分析，本文提出一种通用的非参数计算方法，用来描绘多峰特征空间下任意形状的集群。本算法的基本计算模型是一种古老的模式识别过程，均值漂移算法。经证明，离散数据可以在均值漂移的递归过程中收敛其密度函数的极值点，这样，就显示出它在检测密度模式方面的实用性。本文确立了Nadaraya Watson 估计量到内核回归和强健的M估计量位置关系的均值漂移过程。可应用于两个低级别的视觉任务：连续平滑的保持和图像分割。在这些算法当中，仅需知道要分析图像的分辨率，灰度图像、彩色图像均可作为输入图像。大量的实验结果说明了这种算法巨大优越性。 关键词：均值漂移，集群，图像分割，特征空间，低阶视域 通常，人们误认为低阶视域工作比较难做。它经常需要依赖准确猜测需要调整的参数才能应用相关技术当中，并且容易出错。为了提高计算性能，低级别工作的执行方式应该为任务驱动，即由高级信息独立支持。然而这种方法也需要满足几个条件：第一，低级视域能提供足够可靠的输入图像信息。第二，特征提取过程仅由少量与输入域测量直接相关的调整参数来控制。 基于特征空间的图像分析是一个典型的低阶视域案例，它满足上文所述的几个要求。特征空间是处理完成一次小的子集数据后得到的输入映射。对于每个子集，我们可得到感兴趣区域的特征参数表示，并将结果映射到参数的一个多维空间点。整个输入被处理后，就得到与特征空间有关的显著特性，如集群分析的目的就是将这些集群划分。特征空间具有应用的性质。在映射当中使用的子集范围可以从单个像素(如图像的彩色空间表示)到一系列准随机选择的数据点集(如霍夫变换概率)。特征空间的优点和缺点均源于输入派生形式的整体性。一方面，所有描述显著特征的因素都集中在一处出现，提供优良的噪声容忍性，这可能会导致不可靠的局部判定。另一方面，特征空间中某些特征尽管有特殊的作用，但因为缺少高级信息的支持，可能无法被监测到，然而这个缺点在很大程度上可以通过输入域额外的(空间)参数增强特征空间或者功能强大的特征空间分析结果主导的输入域后处理功能来避免。 特征空间分析是独立于应用的。虽然现已问世多种集群技术，但他们中的大多数仍不能分析实时数据的特征空间。那些依赖于的先验知识方法(包括那些利用全球性优化的数据)以及假设空间中的所有集群拥有相同的形状(经常假设为椭圆)的方法，也不能有效的处理实时特征空间的复杂性。有关这方面的近期动态，请参阅【29，第八节】。 图1阐述一个典型的例子。图1a所示的彩色图像映射到三维L U V 色彩空间(将在第四节进行讲述)。主色彩产生的集群中存在连续过度，空间被分割成椭圆切片后将导致严重的伪影。对这样的数据强迫使用混合模型是行不通的，例如【49】，对于这类复杂的案例，即使用高斯密度的强健算法也很难达到目的。同时注意到混合模型需要集群数据作为参数，这样本身就有难度。【45】提出了几种不同方法。 任意结构的特征空间只能通过非参数的方法进行分析，因为这些方法不需要先验知识。很多文献已经介绍了大量的非参数集群方法，它们大致可以分为两大类：分类群聚和密度估计。分级群聚依据对邻近数据的度量整合或分割数据，有关分类群聚的方法描述参见【28，第3.2节】。分类技术的计算量很大，并且有意义的数据融合或分离停止准则不明确。 基于非参数集群密度估计是因为特征空间可以看做空间参数的实验概率密度函数。特征空间的密集区域与实验概率密度函数的极大值有关，也就是说与未知密度模式有关。一旦确定模式的位置，根据特征空间的局部特性，与之相关的集群便可进行划分了。【25】【60】【63】。 本文所介绍的模式识别方法及集群方法基于均值漂移算法，由Fukunaga 和Hostetler [21]在1975年提出，但一直不被重视。直到Cheng发表的一篇论文才点燃