原文：
一、mean shift 演算法理論
mean shift 演算法是基於核密度估計的爬山演算法，可用於聚類、影象分割、跟蹤等，因為最近搞乙個專案，涉及到這個演算法的影象聚類實現，因此這裡做下筆記。
(1)均值漂移的基本形式
給定d維空間的n個資料點集x，那麼對於空間中的任意點x的mean shift向量基本形式可以表示為：
這個向量就是漂移向量，其中sk表示的是資料集的點到x的距離小於球半徑h的資料點。也就是：
而漂移的過程，說的簡單一點，就是通過計算得漂移向量，然後把球圓心x的位置更新一下，更新公式為：
使得圓心的位置一直處於力的平衡位置。
總結為一句話就是：求解乙個向量，使得圓心一直往資料集密度最大的方向移動。說的再簡單一點，就是每次迭代的時候，都是找到圓裡面點的平均位置作為新的圓心位置。
(2)加入核函式的漂移向量
這個說的簡單一點就是加入乙個高斯權重，最後的漂移向量計算公式為：
因此每次更新的圓心座標為：
不過我覺得如果用高斯核函式，把這個演算法稱為均值漂移有點不合理，既然叫均值漂移，那麼均值應該指的是權重相等，也就是(1)中的公式才能稱之為真正的均值漂移。
我的簡單理解mean shift演算法是：物理學上力的合成與物體的運動。每次迭代通過求取力的合成向量，然後讓圓心沿著力的合成方向，移動到新的平衡位置。
二、mean shift 聚類流程：
假設在乙個多維空間中有很多資料點需要進行聚類，mean shift的過程如下：
在未被標記的資料點中隨機選擇乙個點作為中心center；
找出離center距離在bandwidth之內的所有點，記做集合m，認為這些點屬於簇c。同時，把這些求內點屬於這個類的概率加1，這個引數將用於最後步驟的分類
以center為中心點，計算從center開始到集合m中每個元素的向量，將這些向量相加，得到向量shift。
center = center+shift。即center沿著shift的方向移動，移動距離是||shift||。
重複步驟2、3、4，直到shift的大小很小（就是迭代到收斂），記住此時的center。注意，這個迭代過程中遇到的點都應該歸類到簇c。
如果收斂時當前簇c的center與其它已經存在的簇c2中心的距離小於閾值，那麼把c2和c合併。否則，把c作為新的聚類，增加1類。
重複1、2、3、4、5直到所有的點都被標記訪問。
分類：根據每個類，對每個點的訪問頻率，取訪問頻率最大的那個類，作為當前點集的所屬類。
簡單的說，mean shift就是沿著密度上公升的方向尋找同屬乙個簇的資料點。
聚類之meanshift演算法
在k means 演算法中，最終的聚類效果受初始的聚類中心的影響，k means 演算法的提出，為選擇較好的初始聚類中心提供了依據 選擇的的初始聚類中心盡可能的遠 但是演算法中，聚類的類別個數k仍需事先確定，對於類別個數事先未知的資料集，k means和k means 將很難對其精確求解。mean ...
meanshift聚類演算法跟蹤原理
這幾天學習 學習opencv 中的第十章運動跟蹤，裡面講到了meanshift演算法，根據書上所講實在難以理解，meanshift在運動跟蹤這個過程中到底起到什麼作用，於是經過幾天不斷地看相關資料和別人的部落格文章，慢慢思路清晰了，也終於知道了meanshift這個演算法它到底是什麼作用，起到什麼樣...
聚類演算法 近鄰聚類演算法
time is always too short for those who need it,but for those who love,it lasts forever.dracula untold 近鄰聚類法同樣是一種基於距離閾值的聚類演算法。coding utf 8 近鄰聚類演算法的pyth...