基於顏色特徵提取
阿新 • • 發佈：2019-01-07
顏色特徵提取
顏色直方圖是最常用的一種特徵：
顏色直方圖是在許多影象檢索系統中被廣泛採用的顏色特徵。它所描述的是不同色彩在整幅影象中所佔的比例，而並不關心每種色彩所處的空間位置，即無法描述影象中的物件或物體。顏色直方圖特別適於描述那些難以進行自動分割的影象。
當然，顏色直方圖可以是基於不同的顏色空間和座標系。最常用的顏色空間是RGB顏色空間，原因在於大部分的數字影象都是用這種顏色空間表達的。然而，RGB空間結構並不符合人們對顏色相似性的主觀判斷。因此，有人提出了基於HSV空間、Luv空間和Lab空間的顏色直方圖，因為它們更接近於人們對顏色的主觀認識。其中HSV空間是直方圖最常用的顏色空間。它的三個分量分別代表色彩（Hue）、飽和度（Saturation）和值（Value）。
計算顏色直方圖需要將顏色空間劃分成若干個小的顏色區間，每個小區間成為直方圖的一個bin。這個過程稱為顏色量化（color quantization）。然後，通過計算顏色落在每個小區間內的畫素數量可以得到顏色直方圖。顏色量化有許多方法，例如向量量化、聚類方法或者神經網路方法。最為常用的做法是將顏色空間的各個分量（維度）均勻地進行劃分。相比之下，聚類演算法則會考慮到影象顏色特徵在整個空間中的分佈情況，從而避免出現某些bin中的畫素數量非常稀疏的情況，使量化更為有效。另外，如果影象是RGB格式而直方圖是HSV空間中的，我們可以預先建立從量化的RGB空間到量化的HSV空間之間的查詢表（look-up table），從而加快直方圖的計算過程。
上述的顏色量化方法會產生一定的問題。設想兩幅影象的顏色直方圖幾乎相同，只是互相錯開了一個bin，這時如果我們採用L1距離或者尤拉距離（見3.1.1節）計算兩者的相似度，會得到很小的相似度值。為了克服這個缺陷，需要考慮到相似但不相同的顏色之間的相似度。一種方法是採用二次式距離。另一種方法是對顏色直方圖事先進行平滑過濾，即每個bin中的畫素對於相鄰的幾個bin也有貢獻。這樣，相似但不相同顏色之間的相似度對直方圖的相似度也有所貢獻。
選擇合適的顏色小區間（即直方圖的bin）數目和顏色量化方法與具體應用的效能和效率要求有關。一般來說，顏色小區間的數目越多，直方圖對顏色的分辨能力就越強。然而，bin的數目很大的顏色直方圖不但會增加計算負擔，也不利於在大型影象庫中建立索引。而且對於某些應用來說，使用非常精細的顏色空間劃分方法不一定能夠提高檢索效果，特別是對於不能容忍對相關影象錯漏的那些應用。另一種有效減少直方圖bin的數目的辦法是隻選用那些數值最大（即畫素數目最多）的bin來構造影象特徵，因為這些表示主要顏色的bin能夠表達影象中大部分畫素的顏色。實驗證明這種方法並不會降低顏色直方圖的檢索效果。事實上，由於忽略了那些數值較小的bin，顏色直方圖對噪聲的敏感程度降低了，有時會使檢索效果更好
HSV空間是比較常用的統計顏色特徵的空間，它比RGB系統更接近人們的經驗隊彩色的感知。
hsv空間圖如下：
其中H代表了色調，S代表顏色，V可以看做飽和度，統計中採用了固定h和s，統計v特徵，比如，劃分h為16份，s為4份，v為4份，那麼我們最終會得到一個256維的特徵向量。具體的維數可以相應的調整，我們也可以分塊對影象進行統計。顯示更多的細節。
matlab程式碼如下：
- function colorhist = colorhist(rgb)
- if size(rgb,3)~=3
- error('3 components is needed for histogram');
- end
- % globals
- H_BITS = 4; S_BITS = 2; V_BITS = 2;
- %rgb2hsv可用rgb2hsi代替，見你以前的提問。
- hsv = uint8(255*rgb2hsv(rgb));
- imgsize = size(hsv);
- % get rid of irrelevant boundaries
- i0=round(0.05*imgsize(1)); i1=round(0.95*imgsize(1));
- j0=round(0.05*imgsize(2)); j1=round(0.95*imgsize(2));
- hsv = hsv(i0:i1, j0:j1, :);
- % histogram
- for i = 1 : 2^H_BITS
- for j = 1 : 2^S_BITS
- for k = 1 : 2^V_BITS
- colorhist(i,j,k) = sum(sum(bitshift(hsv(:,:,1),-(8-H_BITS))==i-1 & bitshift(hsv(:,:,2),-(8-S_BITS))==j-1 & bitshift(hsv(:,:,3),-(8-V_BITS))==k-1 ));
- end
- end
- end
- colorhist = reshape(colorhist, 1, 2^(H_BITS+S_BITS+V_BITS));
- % normalize
- colorhist = colorhist/sum(colorhist);
說明：bitshift是對資料的位操作，其實就是乘除法，例如：bitshift（12，-2），就是12除以2的2次方，結果為3，第二個引數是負數就是除，是整數就是乘。
reshape是吧一個矩陣變成1*M的長向量。
最後一步是歸一化的計算。