Meanshift（均值漂移）

通過給出一組多維資料點，其維數是(x,y,r,g,b)，均值漂移可以用乙個視窗掃瞄空間來找到資料密度最大的區域，可以理解為資料分布最集中的區域。

在這裡需要注意，由於空間位置（也就是上面的x和y）的變化範圍與顏色的變化範圍（上面的r,g,b）有極大的不同，所以，meanshift對這兩個維數要採用不同的視窗半徑。在opencv自帶的meanshift分割函式cvpyrmeanshiftfiltering()中，就專門有2個半徑引數，分別是spatialradius和colorradius，這兩個引數分別代表的是空間半徑(x,y)和顏色(r,g,b)半徑。

當均值漂移視窗移動時，經過視窗變換後收斂到資料峰值的所有點都會連通起來，並且屬於該峰值。這種所屬關係從密集的尖峰輻射，形成了影象的分割。opencv中的meanshift分割實際上是由比例金字塔（cvpyrup（）,cvpyrdown()）完成的，相關的介紹大家可以看年learning opencv中關於影象金字塔的介紹。

下面的**是我自己寫的，大家可以參考一下。ps：我執行的時候發現實際上cvpyrmeanshiftfiltering的執行效率並不是很高，特別是把spatialradius的值增大以後迭代時感覺很費時。

[cpp]view plain

copy

#include"highgui.h"

#include"cv.h"

#include

using

namespace

cv;

using

namespace

std;

iplimage* src; //source image

iplimage* dst; //the dst image after meanshift

intspatialrad=10,colorrad=20,maxprylevel=1;

void

on_meanshift(

int)

//the callback function

void

main()

在**中使用了trackbar,因此可以自己改變spatialrad,colorrad,maxprylevel的值，以便觀察不同引數下的效果。截圖如下

下面圖是源

在opencv

裡面關於

meanshift

演算法的應用還有兩個函式

cvmeanshift

和cvcamshift

函式，都是用於跟蹤的，效果還不錯。

meanshift方法+

卡爾曼濾波還是挺流行的。

opencv之meanshift篇

有很多經過這個函式處理後很難感覺出輸入輸出有什麼大區別，其實是被平滑了。觀察仔細點可以看出來。

輸入：

輸出影象：

之meanshift篇

本文主要是介紹了opencv裡的meanshift分割函式

cvpyrmeanshiftfiltering

函式。關於演算法的詳細敘述可參考《》

d,comaniciu 2003.

該函式基本參照上文所描述的演算法流程編寫的。在opencv實現裡加入了金字塔分層分割的概念。meanshift分割可供選擇的只有乙個引數即分割的精細度，也就是選擇的核寬。cvpyrmeanshiftfiltering函式只能輸入8位三通道的rgb影象，輸出時分割結果，沒有提供分割的具體資訊如類別數，模態等。該函式採用的是uniform核，選擇的矩形區域為核覆蓋區。meanshift演算法在每個樣本上都執行一次確定類別，所以複雜度比較高o（n*w），w是操作係數，處理一幅320*240需要2，3秒的時間。函式在實現時也沒有考慮消除一些小的類別（數量較少的）。使得這個函式更像是discontinuity preserve smoothing.

有很多經過這個函式處理後很難感覺出輸入輸出有什麼大區別，其實是被平滑了。觀察仔細點可以看出來。

輸入：

輸出影象：

Meanshift（均值漂移）

MeanShift 均值漂移演算法

均值漂移 Meanshift 演算法流程

目標跟蹤 Meanshift演算法均值漂移演算法

Meanshift（均值漂移）

MeanShift 均值漂移演算法

均值漂移 Meanshift 演算法流程

目標跟蹤 Meanshift演算法 均值漂移演算法

相關推薦

目標跟蹤 Meanshift演算法均值漂移演算法