（一）基本描述
均值漂移是一种核密度估计方法，用来分析复杂多模特征空间。其算法本质是最优化理论中的梯度下降法，沿着梯度下降方法寻找目标函数的极值。图像分割是找到每个像素点所属类的中心，均值漂移认为类中心是概率密度的极大值点，对于任一像素沿着梯度方向总能找到其极值点。
给定一个维度为（x,y,blue,green,red）的多维数据点集，mean-shift可以在空间上找到该空间中数据的最高密度“块”，空间变量（x，y）的范围可以和彩色分量范围（蓝、绿、红）非常不同，在这种情况下，我们应该至少具有空间变量的一个半径和颜色幅度的一个的半径。随着mean-shift的移动，在数据中收敛于峰值的窗口遍历所有点都连接或拥有该峰值。从最密集的峰值部分辐射出来，形成了图像的分割。
分割实际上就是通过尺度金字塔cv：：pyrup（）和cv：：prydown（）完成的，因此金字塔中强度较高的彩色聚类就会在较低处的金字塔修正边界。输出是一个“色调分离”的新图像，意味着去除了精细纹理、颜色梯度大部分变得平坦了。如果实际上是最终需要轮廓分割，就可以用cv：：canny（）结合cv：：findcoutours（）进一步细分此类图像。
（二）算法步骤
（1）平滑mask搜索。图像由N维像素构成特征空间，特征空间由坐标空间与颜色空间构成，空间域与颜色域构成相应的联合域。对于图像中的像素点，他在联合特征空间中迭代搜索相应的mask点，设原始图像的像素为
表示，平滑后的图像用
表示，平滑是将模点的颜色值初始化为原始像素点，利用空间颜色域特征函数
，得到平滑后的像素值，如下式所示：
其中，g为核函数，
为颜色空间的核平滑尺度，
为特征函数的空间域部分。（2）mask点聚类。对平滑后的图像应用颜色相似度与空间位置相似性进行判定，在实际的计算中常常只考虑颜色相似性，对满足
的点集进行合并。
（3）合并相似小区域。将上一步得到的模点集消除像素个数小于S的区域或与它相似的区域进行合并。
（三）函数原型
void cv::pyrMeaShiftFiltering(cv::InputArray src,cv::OutputArray dst,cv::double sp,cv::double sr,int maxLevel = 1,TermCriteria termcrit = TermCriteria(TermCriteria::Max_ITER + TermCriteria::EPS,5,1))其中参数src为8位3通道图像；参数dst表示结果输出图像，与输入图像同类型同尺寸；参数sp为空间窗半径；sr为颜色窗半径；参数maxlevel为高斯金字塔分割的最高水平；参数termcrit为均值漂移参数的终止条件。cv：：TermCriteria用于opnecv中所有的迭代算法。
