(完整版)图像颜色特征提取原理
-
一、颜色特征
1
颜色空间
1.1 RGB
颜色空间
是一种根据人眼对不同波
长的红、
绿、
蓝光做出锥状体细胞的敏感度描述的基础彩色模式
,R
、
G
、<
/p>
B
分别为图像红、绿、蓝的亮度值
,<
/p>
大小限定在
0
～
1
或者在
0
～
255
。
1.2 HIS
颜色空间
是指颜色的色调、亮度和饱和度
,H
表示色调
,
描述颜色的属性
,
< br>如黄、红、绿
,
用角度
0
～
360
度来表示
;S
是饱和度
,
即纯色程度的量度<
/p>
,
反映彩色的浓淡
,
如深红、
浅红
,
大小限定在
0
～
1;I
是<
/p>
亮度
,
反映可见光对人眼刺激的程度
,
它表征彩色各波长的总能量
,
大小限定在
0
～
1
。
1.3 HSV
颜色模型
HSV
颜色模型依据人类对于色泽、
明暗和色调的直观感觉来定义颜色
,
其中
H
(Hue)
代表色
度
, S
(Saturat i on)
代表色饱和度
,V (V
alue)
代表亮度
,
该颜色系统比
RGB
系统更接近于人
们的
经验和对彩色的感知
,
因而被广泛应用于计算机视
觉领域。
已知
RGB
颜色模型
,
令
M A X = max {R , G, B },M
IN =m in{R , G,B },
分别为
RGB <
/p>
颜色模型中
R
、
G
、
B
三分量的最大和最小值
, RGB
颜色模型到
HSV
颜色模型的转换公式为
:
S
=(M A X - M IN)/M A X
H = 60*(G- B)/(M
A X - M IN)
R = M A X
120+ 60*(B
–
R)/(M A X - M IN)
G= M A X
240+ 60*(R
–
G)/(M A X - M IN)
B = M A X
V = M A X
2
颜色特征提取算法
2.1
一般直方图法
颜色直方图是最基本的颜色特征表示方法
,
它反
映的是图像中颜色的组成分布
,
即出现了哪些
< br>颜色以及各种颜色出现的概率。其函数表达式如下
:
H(k)= n
k
/N
(k=0,1,…,L
-1)
(1)
其中
,k
代表图像的特征取值
,L
是特征可取
值的个数
,
n
k
是图像中具有特征值为
k
的象素的个
数
,N
< br>是图像象素的总数。由上式可见
,
颜色直方图所描述的是
不同色彩在整幅图像中所占的
比例
,
无
法描述图像中的对象或物体
,
但是由于直方图相对于图像以观察
轴为轴心的旋转以及
幅度不大的平移和缩放等几何变换是不敏感的
,
而且对于图像质量的变化也不甚敏感
,
所以它
特别适合描述那些难以进行自动分割的图像和不需要考虑物体空间位置的图像
。
由于计算机本身固有的量化缺陷
,
这种直方图法忽略了颜色的相似性
,
人
们对这种算法进行改
进
,
产生了全局累
加直方图法和局部累加直方图法。
2.2
全局累加直方图法
全局累加直方图
是以颜色值作为横坐标
,
纵坐标为颜色累加出现的频数
,
因此图像的累加直方
空间
H
定义为
:
到的颜色数。在全局累加直方图中
,
相邻颜色在频数
上是相关的。相比一般直方图
,
它的存储
量和计算量有很小的增加
,
但是它消除了一般直方图中常见的
零值以及一般直方图量化过细
过粗检索效果都会下降的缺陷。
2.3
局部累加直方图法
把色度沿分布轴分成若干个局部区间的方法称为局部累加直方图法。它的基本原理是
:
色度
轴上各种颜色的分布是连续过渡的
,
各颜色区之间不存在截然不同的界限。先采用
60
°为区
间的长度
,
将
H
轴分成
6
个不重叠的局部区间
[60k,60(k+1)],k=0,1,<
/p>
„
,5,
计算出每个局部区间的
累加直方图
,
再改变区间划分为
[30+60k,(30+60(k+1))mod 360],k=0,1,
„
,5,
并计算出这时每个局
部区间的
累加直方图
,
最后将这两次计算的累加直方图逐项相加取平均<
/p>
,
作为最终的特征直方
图用于检索。
2.4
颜色参量的统计特征法
由于直方图
法在颜色的表达中没有考虑到人眼的视觉感受
,
忽略颜色参量含
义及其对图像像
素间关系
,
为弥补直方
图法的不足
,
提取颜色特征
,
对颜色参量进行分析、
统计、
处理
,
在应用中
表现出好的效果。
RGB
和
HIS
颜色空间在颜
色参量的统计特征中具有重要的作用。在实际的
图像处理中
,R
GB
颜色系统的
r,g,b
值计算公式如下
:
r=R
／
(R+G+B),g=G <
/p>
／
(R+G+B),b=B
／
(R+G+B) (3)
从
上
面的
公
式
(3)
可以
推断
出<
/p>
RGB
颜
色系
统的
r,g,b
只
是
比值
与光
照
强度变
化
无关
。
由
RGB
向
HIS
空间进行转换
,
可以得到
HIS
值
,
转换方法如下
:
Max=max(R,G,B),Min=min(R,G,B)
(4)
I=0.229R+0.587G+0.114B
(5)
其中
,R,G,B,S,I
∈
[0,1],H
∈
[0,360]
。
从公式
(7)
可以看出
,HIS
颜色空间的优势在于其本身的颜色参量间相关性差
,
尤其参量
I
和参
量
H
、
S
之间
,
具有对外界环境的惰性特征
,
我们可
以只对
S
和
H
进行分析来消除光照对采样图
像的影响。
另一方面
,HSI
颜色空间与人眼的视觉特性比较接近颜色参量较好的表
达了人眼视
觉的特点。
2.5
颜色的一阶矩
( mean
)
μ
i
和二阶矩
(variance)
σ
i
2.6
基于小波的分块图像颜色特征提取
基于分块的
HSI
分量低频能量的颜
色特征提取方法
,
即首先根据人眼对图像中心区域关注程
度较高的特点对图像进行区域分块
,
然后对每
一块
HSI
分量的小波分解低频子带的颜色特征
进行提取
,
并通过对不同区域分块颜色特征的加权获
得图像的颜色特征
2.6.1
图像的分块加权策略
根据
HVS
特性
,
一幅图像的中心区域通常更会引起人眼的注意
,
这样为了突出图像中心区域特
征的重要性
,
我们首先对图像进行非均匀分块
(
参见图
1)
,
设图像的大小为
M
×
N,
其中标注
为
1
的区域大小为
( 2M /3)
×
( 2N /3)
,
标注为
2
～
5
的区域其大小为
(M /6)
×
(N /6)
,
标注
为
6
、
7
区域的大小为
(M /6)
×
( 2N /3)
,
标注为
8
、
9
区域的大小为
( 2M /3)
×
(N /6) .
对每一
分块图像的颜色特征采用类似标准正态分布函数φ
( x) = e
-x
^2/2
( x
≥
0)
作为权值对其加权
处
理
(
参见图
2)
,
其中
轴表示图像中的象素点距离图
像块中心点的距离
,
原点对应原图像中心
点
,
1
对应图像顶点距离中心点的距离
,
φ
(
x)
为对应点
x
的特征权值
.
这样
,
对图像中不同
块的
颜色特征采用不同的加权特征处理
,
对于原图像中心区域块的特征
,
其权值较大一些
,
而对图
像边缘区域块的权值相对要小一些
,
突出了图像中心区域颜色特征的作用
.
2.6.2
基于小波变换的颜色特征
在进行图像检索时
,
为了准确提取表征原始图像的颜色信息
,
所选择的颜
色空间应尽可能符
合
HVS
对色彩的
感知特性
,
这里采用
HSI
作为颜色空间
.
对于一幅图像
,
在图像的小波多尺度表
示方法中
,
图像的主要信息都集中在低频子带中
,
包括图像的颜色、
形状等多种特征
;
而图像的
细节信息主要集中在中高频部分
.
< br>此种颜色特征从低频子带中提取
,
从而大大节省了图像颜
色特征的计算时间
.
对图像每一分块的
H
、
S
、
I
分量进行一级小波分解
,
分别提取其低频子带
的平均能量作为颜色特
征
,
具体计算公式如下
:
2.6.3
图像颜色特征的提取算法
Step
1 .
对于图像的第
k ( k = 1, 2,
„
, 9)
个分块
,
分别对
H
、
S
、
I
分量进行一级小波分解
,
得到第
k
块的颜色特征向量
:
F
(k)
= (
E
kH
,
E
kS
,
E
kI
) , k = 1, 2,
…,
9
Step 2 .
综合各分块的特征向量
,
获得整幅图像的颜色特
征向量
: F = ( f
(1)
,
f
(2)
,
…
,
f
(9)
)
Step 3
.
设图像的中心坐标
(
即中间
1
块的中心坐标
)
为
( x0 , y0 )
,
计算第
k
块的中心坐
标
(
x
k
, y
k
)
与图像中心坐标的距离
:
2.6.4
相似度计算
像
p
和
q
的综合加权颜色特征向量
,
那么两幅图
像的相似度距离为
:
二、纹理特征
1.
纹理定义
1)
在邻近的像素点之间存在着亮度层次上的有意义的
变化，
正是由于这些变化图像中才展
现出各种各样的纹理
. 2)
纹理是图像区域的一个属性，一个像素点的纹理是没
有意义的
.
因
此，纹理涉及到上下文，
与一个空间邻居关系内的像素的灰度值有关，
换句话说，
纹理跟图
像像素灰度值的空间分布有关
.
这个空间关系的大小取决于纹理的类型，或者定义纹理的基
元的大小
.
3)
纹理是一个在某种
空间尺度大于图像分辨率下的同质
(homogeneous)
属性一些研究人员
以人的视觉系统来描述纹理
:
纹理没有始终如一的亮度，但仍然可以被人像同质区域那样所
观察到
.
4)
图像纹理在不同尺度和不同分
辨率下都能被感知
.
例如，考虑一幅砖墙所表示的纹理
.
在
一个粗糙的分辨率下，所观察到的纹理是由
墙上个体的砖块所形成，
而砖块内部的细节会
丢失
;
在一个高的分辨率下，仅有少量的砖块在视野范
围以内，观察到的纹理会显示出砖块
的细节
.
< br>在不同的距离和不同的视觉注意程度下，纹理区域都会给出不同的解释
.
在一个正常
注意力和标准距离下，它给出了用来表征特定纹理的宏观规则
性的概念
.
当近距离非常仔细
地观察时
，
可以注意到一些同质区域和边，
它们有时候会构成纹理素
(texels)
最后，
纹理是依
赖于尺度的
.
当一个区域内基元对象的数目足够
大时才会被感知为纹理
.
如果仅有少量的基元
< br>数目，那么会被观察为一组可数的对象而不是一幅纹理图像
.
2.
纹理分析应用
< br>纹理分析主要有四个研究方向
:
纹理分类、纹理分割、纹
理检索以及纹理形状抽取
.
纹理
分类的
研究问题是从一个给定纹理类别中识别出给定纹理区域
(
纹理图
像
).
相对于纹理分类
中一个均一纹理
区域的类别可以通过从该区域中计算出的纹理特征所确定，
纹理分割关注自
动确定一幅纹理图像中不同纹理区域的边界，
.
纹理
检索是研究关于利用纹理相似度进行图
像检索。
3
．纹理特征提取
方法大致归为四大类
:
统计分析方法，几何特征方法，
信号处理方法及关键点方法。其
中统计分析方法、
几何特征方法
和信号处理方法在纹理分析中因为提出较早，
所以影响很大。
关
键点方法产生较晚，但是由于纹理特征的鲁棒性，有很大的发展空间
3.1
统计分析方法