《Meanshift 遥感图像分割方法与应用研究》 这是是一篇博士论文，里面将涉及到的遥感分割方法很详尽的介绍了出来，需要好好研究研究一下。顺便学习一下高质量的论文应该如何去写，大体有个相应的感知。
1、目前图像分割方法存在的特点是：一是不存在通用的分割算法，二是分割算法过分依赖于先验知识。遥感 图像具有数据量大、纹理细节丰富、地物表现出明显的同物异谱等特点，高分辨率的图像往往更加适应先分割后提取地物，但是没有成熟的理论去指导如何进行图像分割，目前的策略是不同特点的图像使用不同的分割算法。遥感领域中所存在的主要问题是：缺乏一种分割方法适合于任何类型的遥感图像；不同尺度、内部结构变化不同的地物分割 精度显著不同；缺乏统一可靠的图像分割精度评价标准。
2、Meanshift算法中两个重点，一是核函数的选择，一个是带宽的选择，核函数现在一般都选取高斯核函数，带宽，自适应带宽和多带宽应该是也是趋势。
3、文章中总结了近几年来学者对meanshift的研究，通过这一系列的研究文集总结了meanshift方法的优缺点,并提出了要深入研究的问题，这些问题应该可以进过研究当做自己研究的一个方向。
4、图像分割将图像中具有不同特征的区域分隔开来，突出图像的区域边界，可以提取区域中的特征，MS是一种特征向量聚类算法，两个工作，一是提取特征向量，将遥感图像所拥有的特征构成一个多维向量，传统是位置与色度，这个色度在遥感图像中应该就是波段的光度，这些特征还要进行归一化处理，处在一个可以同时操作的平台上；另一个工作是选用鲁棒性好的聚类算法，对特征向量进行聚类，将其聚类结果标记在图像上，connect 的过程。
5、带宽的意义：hs决定密度窗口大小，影像空间坐标权值 hr影像值域距离的权值，实验往往需要多次（hs,hr）组合才能得到比较理想的分割结果。
6、深刻理解滤波和合并这两个过程，即分割过程，获得了满足一定准则的同质区域。
1）滤波即聚类过程，用较小的带宽对特种向量 进行聚类，这样可以使本属于同一个区域的像素被分成两个聚类中，但不允许不同区域的像素被分成同一个聚类下，然后再进行合并过程即可，在这一步中不要求类与图形区域一一对应。
2）两个区域R1与R2合并的条件，要相邻（八领域和四领域检测），符合相似性度量准则，
7、分割后的图像，再进行区域合并，多过分割的处理！其过程仍然是预处理，是滤波跟合并！！
8、图像中参数M的含义是指最小区域数，即我们所说的分割尺度，
9、对MS算法的优化，MS的复杂度限制了其在高维和大数据集中的应用。
1）MS在聚类方面效率较高并能得到很好的聚类结果
2）MS的优化角度：选用不同的核函数，均一核函数收敛速度较高斯核函数更快，算法的实现角度，采用并行算法
3）标准的MS过程时间复杂度为o(tdN方)，N是像素数，t是MS聚类过程像素点的平均迭代次数，d是参与迭代的特征向量维数。在这个过程中在数据空间为每一个点寻找最近领域，是一种多维搜索过程（看看代码去）
4）降低MS算法的时间复杂度和提高MS的收敛速度进行考虑,每一个像素点都要参加迭代运算，MS这类非参数聚类算法时间复杂度和特征空间维数成线性增长，遥感图像空间维数多，可用于分割的特征也多，从而计算量大，同时空间带宽加大，参与计算的空间样本点增加，每个采样点的迭代次数增加，使得计算量增大。列出了一堆对MS算法进行降低复杂度的方法，在这上面做足的功夫的人很多，奇怪的是没有提及edison 的MS算法，这个算法也有减少迭代次数的，利用了什么三维桶缓存机制，可惜我现在还没有完全搞懂是个怎么回事。
5）MS矢量仅仅是通过平均当前特征矢量x与在x周围的一个特定空间S内的所有矢量的差值，但对落入该空间的每一个MS矢量的计算来识别特征矢量仍然是高花费的，这个问题呗认为是多维区域搜索。
6）有关于带宽的研究，自适应带宽和每一个波段的值域带宽，这样应该都有研究价值，不太清楚上面所说的可以事先计算好每一个数据点的带宽，每一个数据点？会有带宽？为毛，看了下面的迭代次数的优化，对带宽又有了深刻的认识，MS迭代过程是经过多步迭代收敛得到每个数据点的模点，这样该数据点的模点一定位于最后一步迭代的矢量点的最近邻域中，下一步的迭代计算范围是上一步迭代矢量的最近邻域，参与迭代的最近邻域大小便是MS的空间带宽所决定，即segMas，这个是领域窗口半径？怎么具体做到的呢？圆形区域？