1、“.....它避免了目前方法包括鲁棒集群的缺点。它可以处理任何自然特征空间，文中以彩色图像分割为例进行了讨论。分割是完全自动化的，只有其分割的类别由用户选择。因此，相同的程序，可以产生高质量的图像边缘，或通过提取所有显著的颜色来提供个预编程处理器，该预编程处理器是基于内容的查询系统。个彩色图像在个标准的工作站的分析时间少于秒。灰度级图像当做彩色图像来处理时仅有明度坐标。关键词鲁棒模式分析，低层次视觉，基于内容的索引绪论特征空间分析是种广泛使用的工具，用于解决低层次的图像理解任务。图像跨越空间从相邻元素中提取的特征向量映射到其组件。而图像的显著特征对应到这个空间中的高密度区域。特征空间分析是用于恢复高密度区域中心的程序，即对显著图像特征的陈述。基于直方图的技术，霍夫变换是这种方法的例子......”。

2、“.....特征空间的大小就被减小并放到个个单元格组成的载体中。每个离散化的功能空间被称为个累加器。每当该累加器的尺寸对于这个数据不准确时，就会出现严重的人为误差。这个问题在霍夫变换中被广泛的研究过。因此，为了得到更令人满意的关于特征空间的结论，我们需要个连续坐标系统。个连续特征空间的内容可以看做个多元多重模态概率分布样本。注意，实时图像的模式数量可以是非常大的，能达到几十倍。最大密度区域对应于底层的概率分布模式为中心的集群。传统的集群技术，能够被应用于特征空间分析，但是它们只有在集群数量小且先验概率已知的情况下才能被应用。从数据中估算集群数量算起来是非常昂贵而且无法得到令人满意的结论。种常用的假设是这个个量集群满足多元正态分布，也就是说，该特征空间就能够被当做混合的高斯分布......”。

3、“.....也就是说，就距离来说，大类阈值算法基于高斯混合模型的直方图。然而，没有理论证据表明提取的正常集群必然对应个显著的图像特征。相反的是，个较强的人工集群也许会在些特征值被映射到部分重叠区域的时候出现。无母数密度函数估计禁止使用正态假设。两大派别的方法，派忍窗制和近邻，都要求附加的输入信息类似于核心的临近的数据。这些信息必须由用户提供，而且对于多模态分布是很难猜测其最佳设置的。然而，种可靠的特征空间分析常用技术可以应用种简单的得到应用。在本文中我们提出了这样种技术，其强大的性能优于从统计的方法采用稳健估计。鲁棒性要求在统计学中，群集中心分析称为多元定位问题。为了实现鲁棒性，在估算时必须允许定百分比的离群率，也就是说，数据点不服从集群的基本分布。众多鲁棒性技术是被推荐的......”。

4、“.....估计是种仿射等变种通过估计输入的仿射变换，有着很高的强度极限允许高达半数的数据离群。估算者通过搜索包含最少个数据点的最小等容椭球所来找到最高密度区域的中心。多元定位问题是这个估算中的中心问题。为了避免组合式激增必须进行可能性研究。假设数据是维的。随机选择的个小数目点元组。对于每个元组计算均值向量和协方差矩阵，定义个椭球。这个椭球至少包含个点，而拥有最小容量的个提供估计。基于，提出了种应用于计算机视觉的鲁棒性群集技术。这些数据反复应用估计进行分析，分析时值代表修正过的数据点。最好的群集对应的值产生的内体积最小椭球的密度最高。集群被从特征空间中删除，整个过程直要重复到这个空间是空的。的鲁棒性应确保每个群集与只有个模式底层的分布相结合。集群的数量不需先验......”。

5、“.....但是当模式的数量超过十时，这种方法的可靠性就降低了。这主要是因为正态性假设嵌入了这种方法。这个椭球面定义个集群也可以视为高置信区间的个多元正态分布。任意特征空间不是混合高斯模型，制约删除群集的形状是可以引入严重的人工的椭圆形。这些工件的影响随着越来越多的集群被删除而传播。此外，只有个点的基础上估计协方差不可靠。随后的后处理基于不能完全弥补初始误差的所有已声明的内围层点。为了能够正确恢复大量的重要特征，特征空间分析的问题必须在所处的环境中解决。在图像理解的任务中，数据分析起源于像场。这就是说，特征向量满足于附加的空间限制。当这些约束条件确实应用于当代技术时，它们的角色多数限于空间定位误差的补偿，这些空间误差是在特征空间独立分析中产生的......”。

6、“.....作为像场信息增加的结果，特征空间分析的负担将减少。首先，提取所有的重要特征，且只有这样包含在实体中的集群特征才能被恢复。下步是应用像场信息并避免正太性假设。重要特征符合高密度区域，定位这些区域必须提供个搜索窗口。参数的数量定义最小的窗口外形和大小，因此无论何时特征空间应该是各向同性的。个空间如果两点之间的位于点偶的距离是独立的那么它就是各向同性的。应用最广的各向同性空间是欧几里得空间，在这个空间里个球体只有个可以作为搜索窗口的参数半径。各向同性的要求决定了从图像域到特征空间的映射。如果各向同性的条件不能满足，该任务的语句应该定义个马氏指标。我们推断出鲁棒特征空间分析要求个可靠的高密度区域检测程序。在下节中我们将提出这样个程序。均值漂移算法简单来说......”。

7、“.....这个概念是最近由推广的。在这里假设概率密度函数的维特征向量是单峰。这种情况只是为了清晰起见，以后将被删除。个半径为域信息的情况下被分配到窗口中心的颜色，然后窗户增大到成两倍体积其半径乘以。只有它们有至少个已经被分配了那种颜色的邻近区域，它们才会保留新合并的像素。特征向量的平均值映射成相同的颜色是保留最终调色板的价值。在配置程序的最后，小部分的未加密的像素可以被保持。这些像素在最终特征调色板上被分配到最接近的颜色。后处理。这步取决于任务的目标。最简单的过程，是从图像中清除所有大小小于的小连通向量。这些像素被分配给它们附近邻近区域的大多数颜色，或者约束为特征空间中最接近的颜色。图房子图像，像素，种颜色图中显示了包含种不同颜色的房子。图中给出了三大类区域的分割结果已经区域边界。注意......”。

8、“.....而量化类原始图像仅仅产生了近种颜色。如图所示，第二个例子使用欠分割类。请注意机身细节。结论简单的基本运算模块，均值漂移算法，使得要完成空间分析的速度非常快。微处理器工作站从个像素的图像提取个个特征的调色板需要不到秒的时间。为了达到这样的速度，我们实施了优化，且每当可能的时候，特征空间含比图像域更少的独特元素都用于阵列扫描采用查表法而不是经常重复计算采用直接寻址代替嵌套的指针采用不动点算法代替浮点运算部分计算采用欧几里得距离等。由于广泛使用图像域信息，特征空间分析完全是自动的。这篇论文中的所有实例，以及更多的没有在这里展示的例子都可以使用表中给出的参数向量处理。最近，和提出了中分割技术，这种技术将全局最优化的方法最小蛇形描述长度与敏感参数和阈值相结合。为了分割幅彩色图像......”。

9、“.....本文描述了当中使用的图像用该技术处理时，同样质量的结果可在少于秒的时间内通过无监督过程获得。图中展示了其中个结果。这项新技术可以被不加更改的用于分割数字灰度图像，这些图像可以被看做是只有坐标的彩色图像。图中给出了个实例。分割的结果可以用图像域局部处理的方法进步精确。例如，在个大的连通向量中进行像素的鲁棒性分析产生内围层孤立点的二分法，然后该分析可以用于恢复废弃的细节。总之，我们已经提出了个特征空间分析的通用技术，这项技术应用于许多低级别视觉任务，如边缘检测，分割。它对于特征空间的自然属性是没有限制的，当前我们正致力于应用这项技术进行深度图像分割，霍夫变换和光学流分解。图彩色图像分割实例。为初始图像，像素，种颜色。为过分割种颜色。图性能比较。为初始图像，像素，种颜色......”。