图像颜色特征提取基本知识.docx

图像颜色特征提取基本知识.docx

《图像颜色特征提取基本知识.docx》由会员分享，可在线阅读，更多相关《图像颜色特征提取基本知识.docx（14页珍藏版）》请在冰点文库上搜索。

图像颜色特征提取基本知识

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、B 分别为图像红、绿、蓝的亮度值,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,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,反映彩色的浓淡,如深红、浅红,大小限定在 0～1;I 是亮度,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 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,即出现了哪些颜色以及各种颜色出现的概率。

其函数表达式如下:

H（k）= nk/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,nk是图像中具有特征值为 k 的象素的个数,N 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,„,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,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,RGB 颜色系统的 r,g,b 值计算公式如下:

r=R／（R+G+B）,g=G ／（R+G+B）,b=B／（R+G+B）                  （3） 

从上面的公式（3）可以推断出 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 ） μi和二阶矩 （variance）σi

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. 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）= （ EkH, EkS , EkI） , 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 （ xk , yk）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.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

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 

统计分析纹理描述方法是常用的纹理分析方法，也是纹理研究最多最早的一类方法.统计分析方法通过统计图像的空间频率、边界频率以及空间灰度依赖关系等来分析纹理一般来讲，纹理的细致和粗糙程度与空间频率有关.细致的纹理具有高的空间频率，例如布匹的纹理是非常细致的纹理，其基元较小，因而空间频率较高;低的空间频率常常与粗糙的纹理相关，比如大理石纹理一般是粗糙的纹理，其基元较大，具有低的空间频率.因此，我们可以通过度量空间频率来描述纹理.除了空间频率以外，每单位面积边界数也是度量纹理的细致和粗糙程度的另外一种统计方法.边界频率越高说明纹理越精细，相反，低的边界频率与粗糙的纹理息息相关.此外，统计分析方法还从描述空间灰度依赖关系的角度出发来分析和描述图像纹理.常用的统计纹理分析方法有，自相关函数（Autocorrelation Features ） 边界频率（Edge Frequency），空间灰度依赖矩阵（the Spatial Grey Level Dependence Matrix, SGLDM） 等.相对于结构分析方法，统计分析方法并不刻意去精确描述纹理的结构.从统计学的角度来看，纹理图像是一些复杂的模式，可以通过获得的统计特征集来描述这些模式. 

3.1.1自相关函数

自相关函数（Autocorrelation Features } ACF） 就是一种常用的空间频率纹理描述方法.在这个方法中，纹理的空间组织用评价基元间线性空间关系的相关系数来描述.自相关函数是用来度量在给定一个位移下的纹理与原来位置的纹理的相似程度.如果在给定方向下，自相关值下降的越快，那么移动后的纹理与原来的纹理就越不相关，也就是移动后的纹理与原来的纹理越不相似，这说明纹理的基元就很小;反之，如果自相关值下降的越慢，那么移动后的纹理与原来的纹理就越相关，也就是移动后的纹理与原来的纹理越相似·，纹理的基元就越大.如果纹理基元较大，当距离增加时，自相关函数的值就会缓慢的减小，然而如果纹理由小基元构成，它就会很快的减小.如果纹理的基元具有周期性，那么自相关函数就会随着距离而周期地变化.图像函数的自相关函数可定义如下:

自相关函数纹理分析方法通过计算图像纹理的自相关系数来描述纹理，纹理的自相关系数的变化趋势反映了纹理的粗细程度，然而，对于同样粗糙（细致）但完全不同的两种纹理，它们的自相关系数很可能比较相近，很难将这两种纹理区分开来.

3.1.2边界频率 

    与自相关函数方法中用空间频率来区分纹理的粗细不同，边界频率（Edge Frequency） 认为纹理可以用每单位面积内边界来区分纹理.粗糙的纹理由于局部领域内的灰度相似，并没有太大的变化，因而每单位面积内的边界数会较小;细致的纹理由于局部邻域内的灰度变化较快，所以每单位面积内的边界数会较大.对于定义在一个邻域N内的一幅纹理图像f和每一个距离d，边界频率可以计算出一个依赖于距离d的纹理描述函数E:

图像区域的边界频率在一定程度上反映了该区域内纹理的粗细程度，边界频率函数就是从这种思路出发来描述纹理的，这种纹理分析方法的缺点是虽然边界频率能部分反映纹理的微结构信息，但这种描述是粗略的，缺乏微结构形状方面的信息描述.另外，公式

（2）中的边界频率函数对图像的大小非常敏感，一个改进的办法是用图像的大小去归一化该边界频率函数.

3.1.3 基于一阶直方图的统计方法 

灰度直方图简明总结了图像中的统计信息，其形状提供了一些图像信息，例如，窄带分布的直方图表明低对比度的图像.一阶直方图统计方法是最简单的纹理特征提取方法，利用图像的直方图提取诸如均值、方差、能量以及熵等特征来描述纹理.如果用p（i）, i=1,2,… ,G，来表示图像的一阶直方图，则相关的纹理特征有:

3.1.4 空间灰度依赖矩阵 

虽然一阶直方图纹理特征非常简单，并且易于计算，然而，这类方法描述纹理特征能力很差，并没有充分利用图像的纹理信息.通过大量的视觉感觉实验发现具有相同二阶统计量的一对纹理如果不仔细审视人眼是不能把它们区分开来，这一发现可以用图4给出的例子得到验证.图4（a）中的图像由一对具有相同二阶统计量的纹理区域所构成.如果不仔细观察，人眼很难将图像中的不同纹理区域区分开来.

图4.具有相同二阶统计量的纹理对.每幅图像的上下两部分是由不同的纹理基元所构成.

（a）人眼如果不仔细观察很难区分出两个区域.（b）人眼可以立即区分出两个不同的区域.

实验结果表明二阶统计量在纹理描述方面非常有用，常用的统计方法是二阶统计方法，其中最著名的二阶统计方法是空间灰度依赖矩阵（the Spatial Grey Level Dependence Matrix, SGLDM）（也称共生矩阵，Cooccurrence Matrix） 该方法 通过统计满足特定位移关系和特定灰度值的像素点对发生的概率来构造矩阵，这

些矩阵是对称的，是邻近像素之间的角度函数以及邻近像素之间的距离的函数.               

 以450为间隔的四个空间灰度依赖矩阵分别定义为：

图5给出了一个空间灰度依赖矩阵计算过程的例子.图5（a）为一幅大小为4x4具有4个灰度级的图像，灰度范围为0一3.图5（b）显示空间灰度依赖矩阵的一般形式.例如，在距离为1的水平矩阵PH的（2,1）位置上的元素是水平相邻的两个灰度值为2和1的次数的总数.在图5（c）到图5（f）中，我们计算出了四个距离为1的灰度空间依赖矩阵.

Haralick 定义了14个能从空间灰度依赖矩阵上计算出的二阶统计函数，其中P（i,j）表示图像中（i,j）位置的灰度值，w是图像的宽度，这些统计函数为:

（1）能量（Energy, or Uniformity, or Angular Second Moment） 

（2）对比度（Contrast, or Momentum） 

（3）相关性（Correlation） 

（4）方差（Variance, or Sum of squares）

（5）逆差矩（Inverse Difference Moment） 

（6）和平均（Sum Average） 

（7）和方差（Sum Variance）

（8）和熵（Sum Entropy）

（9）熵（Entropy）

（10）差方差（Difference Variance）variance of px-y

（11）差熵（Difference Entropy）

（12）相关性信息度量（Information Measure of Correlation） 

HXY-HXY1/max{HX, HY}其中HX和HY是px和py的熵 

（13）另一个相关性信息度量（Another Information Measure of Correlation）

（14）最大相关性系数（Maximal Correlation Coefficient）

在这14个纹理特征中，并不是每一个纹理特征都非常有效果，有些特征计算复杂度高。

通过实验，Conners和Harlow 建议用能量（Energy）,熵（Entropy）相关性（Correlation），逆差距（Inverse Different Moment）和对比度（Contrast）等五个特征来描述纹理就能达到非常好的效果.