BryantDaiJB的博客

Medoid Shift 算法medoid shift 算法相对于meanshift 算法的优点聚类期间执行的计算不必在出现新样本或某些现有样本时丢弃，因为mean shift 在计算mean 的时候每一个样本点都是从头到mode算一遍的。medoid shift不需要均值的定义，并且可以直接对距离矩阵进行操作，而不管样本分布在哪个原始空间中。mean shift 通常要把数据集的样本点映射到某个特征空间，而且距离定义一般都要是欧氏距离medoid shift消除了均值偏移中对启发式终止条件的需要

符号\quad我们将使用大写字母如III 和JJJ来表示图像。 图像可以是二维（2D2D2D)(就像在现实生活中一样）或一维(1D1D1D)的。 我们将使用小写字母，如 iii和 jjj来表示图像中的索引或位置。 当我们索引图像时，我们将使用与 Matlab 相同的约定。 首先，这意味着图像的第一个元素索引1（不是 0，比如在 C++ 中）。 因此，如果III 是一维图像，则I(1)I(1)I(1)是其第一个元素。 其次，对于2D2D2D图像，我们首先给出行，然后给出列。 所以I(3,6)I(3,6)I(

主动轮廓线模型SnakeEsnake∗=∫0112(α(s)∣∣vs(s)∣∣2+β(s)∣∣vss(s)∣∣2)+Eimg(v(s))dsE_{snake}^* =\int_{0}^{1}\frac{1}{2}(\alpha(s)||v_s(s)||^2 + \beta(s)||v_{ss}(s)||^2) + E_{img}(v(s))dsEsnake∗​=∫01​21​(α(s)∣∣vs​(s)∣∣2+β(s)∣∣vss​(s)∣∣2)+Eimg​(v(s))dsdEsnake(v^(s)+ξ