知乎学术咨询获取完整代码

https://www.zhihu.com/consult/people/792359672131756032

或直接＋

kang20224

该算法直击了传统直方图分割方法的核心痛点：对预设参数（如类别数、初始阈值）的高度依赖和主观性。它通过尺度空间分析这一无监督框架，让数据自身在多尺度平滑下的演化“说话”，自动识别出具有统计显著性的稳定边界，从而实现了完全自适应、无参数的鲁棒分割。其优化的Matlab实现（采用离散核与稀疏存储）进一步解决了大尺度空间计算的内存瓶颈，使这一理论方法具备了处理现实世界中大规模数据（如图像、长频谱）的实用能力。

算法步骤

直方图生成：将输入的灰度图像或数据转换为一维灰度直方图。

尺度空间构建：使用离散高斯核对直方图进行多尺度平滑，生成一个尺度空间表示。

模态演化分析：在尺度空间中，追踪直方图“峰”（模态）随平滑尺度增大而合并、消失的演化过程。

稳定边界检测：将那些在较宽尺度范围内持续存在的模态边界，识别为有意义的、稳定的分割阈值。

像素分类与映射：根据检测到的边界，将原始图像或数据中的每个像素/数据点分类到对应的灰度区间，生成分割结果。