Mean Shift: Ein robuster Ansatz zur Analyse des Merkmalsraums

Es wird eine allgemeine nichtparametrische Methode zur Analyse eines komplexen multimodalen Merkmalsraums vorgeschlagen, um darin beliebig geformte Cluster abzugrenzen. Das grundlegende Rechenmodul der Methode ist ein altes Verfahren der Mustererkennung: der Mean Shift. Für diskrete Daten beweisen wir die Konvergenz eines rekursiven Mean Shift-Verfahrens zum nächstgelegenen stationären Punkt der zugrundeliegenden Dichtefunktion und somit seine Nützlichkeit bei der Erkennung der Modi der Dichte. Die Beziehung des Mean Shift-Verfahrens zum Nadaraya-Watson-Schätzer aus der Kernelregression und den robusten M-Schätzern des Orts wird ebenfalls hergestellt. Algorithmen für zwei Aufgaben der Low-Level-Bildverarbeitung – kanten-erhaltende Glättung und Bildsegmentierung – werden als Anwendungen beschrieben. In diesen Algorithmen ist der einzige benutzereingestellte Parameter die Auflösung der Analyse, und sowohl Graustufen- als auch Farbbilder können als Eingabe verwendet werden. Umfangreiche experimentelle Ergebnisse illustrieren ihre ausgezeichnete Leistung.