均值漂移
Parent: ai_keywords
均值漂移（Mean Shift）
核心定义
均值漂移是一种非参数、基于核密度估计的迭代算法，用于寻找高维数据空间中的密度极大值（模态）。它无需预先指定聚类数目，通过计算每个点周围邻域内样本的“均值偏移向量”并沿该方向移动，直至收敛至局部密度峰值。该算法广泛应用于计算机视觉中的图像分割、目标跟踪及模式识别中的聚类分析。
关键技术点
-
核密度估计（KDE）
以每个数据点为中心、核函数（如高斯核、Epanechnikov核）加权，构建连续密度函数。均值漂移的迭代方向实质是密度函数的梯度上升方向。 -
均值漂移向量
定义为当前点位置与邻域内加权质心的差向量。向量方向指向密度增长最快的方向，大小与局部梯度成正比。 -
带宽选择
核函数的带宽（窗口半径）直接影响平滑程度与收敛结果。过小导致过拟合、过多模态；过大则过度平滑、丢失细节。通常通过交叉验证或规则（如Silverman’s rule）确定。 -
收敛性与多模态
算法保证在连续小步长下收敛至密度局部极值。不同初始点可能收敛到不同模态，从而自动发现数据中的簇结构。收敛后常合并距离过近的模态。 -
与K-means对比
均值漂移无需预设簇数、对异常值鲁棒，但计算复杂度高于K-means（O(kN²)）。适用于非球形簇及密度不均的数据。
医学/神经科学应用场景
在首都医科大学神经病学研究中，均值漂移算法被用于多发性硬化（MS）患者的脑白质病变分割。传统MRI图像中，病灶与正常组织的灰度边界模糊且形态不规则。结合T2-FLAIR序列的体素强度与空间坐标作为特征，应用均值漂移聚类可自动识别高密度病灶区域，无需手动标注训练样本。算法带宽经经验优化后，能在0.6–1.2 tesla MRI数据中达到平均Dice系数0.85以上。此外，在帕金森病步态分析中，从三维加速度原始信号提取频域特征后，利用均值漂移可自动聚类出“冻结步态”与“正常步态”两种模态，辅助早期诊断。该方法避免了主观阈值设定，并能够适应个体间步态变异性，显著提升了神经退行性疾病临床研究的可重复性。
