Hr hh hs Hr
其中xs是空间部分，xr是特征向量的范围部分，k(x)是在两个域中使用的公共轮廓，hr和hr是使用的内核带宽，C是相应的归一化常数。
该方法以图像灰度为特征，在自然图像分割中表现良好。但是我们证明了它不能直接分割SAR图像，因为有太多的纹理区域，仅用灰度特征无法有效地描述。为了解决这一问题，将均值漂移算法应用于未拟合的小波系数特征。在该特征空间中，平均位移向量与局部梯度估计对齐，它可以定义一条通往局部密度最大值的路径，即检测到的模式。该过程递归地应用于特征空间中的每个点，特征空间中存在的聚类数量由有效模式的数量自动确定。该算法只需要设置带宽参数h = (hs, hr)，通过控制核的大小来决定模式检测的分辨率。在本文中，我们只是通过实验来设定它。
令xi和zi, i = 1，…，n为d维输入滤波后的图像特征。对于每个像素，
1.初始化j = 1和yi1 = xi。
2.根据式(11)计算yi j+1，直至收敛，y = yi c。
3.将所有关于d维收敛点的信息存储在zi中，即zi = yi c。
4.将空间域上比hs更近的zi和距离域上比hr更近的zi分组在一起，在联合域中圈定聚类(Cp}p=1 m)，即串联相应收敛点的吸引盆地。
5.对于每一个i = 1，…， n，赋Lt = {p | zi e Cp}。
6.消除小于M像素的空间区域。该算法分为以下几个步骤:
1.利用非拟合小波变换提取特征。
2.利用SFS算法选择合适的特征子集。
3.对于所有的保留特性，使用Kuwahara过滤器进行过滤。
4.利用特征空间的均值漂移得到分割结果。
这篇文章有用吗?