一般认为其思想最初由fukunaga,hostetler在1975年的一篇论文《 The estimation ofgradient of a density function,with application in patternrecognition》提出。在这篇文章的摘要中作者写到:nonparametric density gradientestimation using a generalized kernel approach isinvestigated.讲的就是一种无参数的密度梯度估计方法。然而,被没有得到人们的重视
直到1995年8月,Yizong Cheng发表了《mean shift,mode seeking,andclustering》才使得这个好东东被人们所注意。该文引入影子核的概念阐明了meanshift和优化之间的关系并且说明mean shift算法是一个自适应的梯度升算法。他详细地介绍了meanshift算法的推导,在特定条件下收敛性的证明(虽然这些条件在实际问题中很难得到满足)及meanshift算法的几个应用。这篇文章为mean shift算法在图像处理各个方面的应用做了很好的理论准备。
个人认为,Comaniciu D,Meer P这两个人为mean shift算法应用做出了主要的贡献:
《robust analysis of feature spaces:color imagesegmentation》1997
介绍在图像分割,平滑方面的应用,其实质是用了mean shift的自动聚类的性质。
《Real-time tracking of non-rigid objects using meanshift》2000
用在目标跟踪上面。这绝对是开创性的工作!
《the variable bandwidth mean shift and data-driven scaleselection》2001
理论上探讨了如何选择一个最恰当的核窗宽的方法,但实际应用并不多。
《a robust approach toward feature space analysis》2002
对mean shift算法的应用大多都逃不出这三篇论文中所涉及的内容。
当然还有其它人的工作也是很重要的:
关于mean shift算法的本质问题:《Mean Shift is a BoundOptimization》该文认为Mean Shift 是一个优化过程,特别地,当密度估计函数用的是常数核时,meanshift 步长就是牛顿步长。
特别是关于收敛性证明的问题:
李乡儒,吴福朝,胡占义《圴值漂移算法的收敛性》一文中做了全面的介绍。我想这应该是至今为止最好的证明了。