摘要：
meanshift主要用来寻找符合一些数据样本的模型，证明样本符合某一概率密度函数，是一种非参数迭代算法能够寻找模型和聚类。数据经过非参数密度估计能够得到符合数据分布的概率密度函数，而meanshift是非参数的密度梯度估计，能够对概率密度函数进行分析，比如找到概率密度函数极值点。面对的是什么样的一个问题，meanshift能够解决？meanshift的流程1.在特征空间中每个点上放置一个窗口2.计算窗口中所有数据的均值3.移动窗口到均值，直到窗口到达最密集的区域。
阅读目的：理解quick shift，同时理解mean shift原理，mean shift用于图像聚类，优点是不需要指定聚类中心个数，缺点是计算量太大（原因）。
mean shift主要用来寻找符合一些数据样本的模型，证明样本符合某一概率密度函数（PDF），是一种非参数迭代算法能够寻找模型和聚类。
数据经过非参数密度估计能够得到符合数据分布的概率密度函数，而mean shift是非参数的密度梯度估计，能够对概率密度函数进行分析，比如找到概率密度函数极值点。
面对的是什么样的一个问题，mean shift能够解决？
以聚类为例，一副图像需要进行分割，根据的是像素间的距离和像素的颜色，亮度相似性。那么我们就将这些东西量化构建一个图像的特征空间。这个特征空间包括像素在图像中的位置以及每个像素RGB三个分量。在特征空间中位置相近，颜色相近会聚集在一起成为一类。
我们的目的是找到这样一个个聚类中心，将中心一定范围内的像素赋值给相同的标签。mean shift将特征空间（连续的）中的点（如图像中的像素）当成抽样隐藏概率密度函数（可表示成曲面或超曲面）上的点（如上图），那么密集的区域或者某个聚类就相当于概率密度函数的模式（局部最大值）。这样找聚类中心就转换成求隐含概率密度函数的模式。
mean shift 的流程
1.在特征空间中每个点上放置一个窗口
2.计算窗口中所有数据的均值
3.移动窗口到均值，直到窗口到达最密集的区域。
待更新