随着智能化信息技术、工业自动化、自动识别、视频监控、视频跟踪等的快速发展,彩色图像处理日渐频繁。本文采用了一个非监督的的聚类方法,即Mean shift方法。一般而言, Mean shift起初提供一种类似于最小下降梯度的搜索方法:对于一簇数据的一局部区域和一目标点,定义该目标点的平均偏移向量以指向(决定)该区域的质点(Centre of mass),接着移动目标点和局部区域到区域质点,这一过程继续下去便可找到最密集的区域和相应的峰值点。作用于所有目标点,最终Mean shift便可估计样本数据的概率密度函数。Mean shift是一种非参数密度估计方法。Mean shift可以避免对样本所属的总体概率密度函数形式的先验性强制假设,它不但具有更高的可靠性、健壮性和相当的通用性,还具有严格的收敛性。应用上述基本原理,可以通过一系列模式搜索的迭代过程,Mean shift可将图像区域有效分割为若干形状的组合。这种方法目前已经被越来越多研究人员加以研究和应用,为不同类型的图像处理和模式识别任务提供基本的解决方案。针对彩色图像的特性,本文系统地介绍了Mean shift方法,严格地证明了Mean shift搜索序列的收敛性,并对算法步骤和算法性能进行了参数分析和试验检测:(1)探讨相关理论:Mean shift方法的原理、算法步骤及收敛性证明。(2)选择核函数:核函数用于为区分不同样本(样本点到偏移点的距离不同)对Mean shift数量的不同大小的贡献(通常距离越近则贡献越大),同时核函数还决定着迭代的次数和精度(通常迭代的次数越多,聚类的精度越高,但计算的时间复杂度越高)。为此、本文提出截断高斯函数作为核函数。(3)解决分割图像背景吞噬现象:Mean shift方法能够突出图像的各个物体并且能够使各个物体内平坦;但在目标和背景很接近的条件下,却存在背景吞噬现象。本文采用重叠区域近邻法解决这个问题。(4)调节带宽:Mean shift带宽不仅决定迭代的采样点数量,而且极大地影响算法的收敛速度和准确性,因此在一定程度上比核函数更重要。本文提出自适应带宽的办法以便有效的解决固定带宽造成过分分割和分割不足问题。