下载文档原格式
图像识别中的特征提取与分类算法研究随着人工智能技术的快速发展，图像识别技术受到越来越多的关注和研究。
而在图像识别中，特征提取和分类算法是两个重要的环节，直接决定了图像识别的准确度和效率。
因此，本文就图像识别中的特征提取与分类算法进行深入探讨。
一、图像特征提取在图像识别中，图像的特征提取是一个非常重要的步骤。
特征提取的目的是将图像转换为具有区分性的特征描述符，从而为之后的分类和识别提供依据。
常用的图像特征包括颜色、边缘、纹理等，而这些特征往往需要通过多种算法进行提取。
1.1 颜色特征提取颜色特征是指图像中像素的颜色和亮度信息。
在图像识别中，颜色特征可以为识别目标提供不同的色彩信息，帮助算法进行判断。
颜色特征提取的方法通常包括直方图、颜色感知度等。
1.2 边缘特征提取边缘特征是指图像中各种物体之间的边缘信息。
在图像识别中，边缘特征可以为识别目标提供多个边缘轮廓，并计算线的方向和长度。
边缘特征提取的方法包括Canny算法、Sobel滤波器等。
1.3 纹理特征提取纹理特征是指图像中不同区域的纹理信息。
在图像识别中，纹理特征可以为识别目标提供更多的视觉信息，帮助算法进行更准确的判断。
纹理特征提取的方法包括哈尔小波变换、局部二进制模式等。
二、图像分类算法图像分类算法是指将图像识别出来并进行分类的过程。
在图像分类中，最常用的算法是支持向量机（SVM）和卷积神经网络（CNN）。
2.1 SVM算法SVM算法是一种基于统计学习理论的分类算法，它将训练样本映射到高维空间中，并通过寻找最优决策界来进行分类。
在图像分类中，SVM算法可以通过学习训练样本的特征和标签，来准确识别和分类目标图像。
SVM算法的优点是具有较强的泛化能力，具有良好的分类结果。
2.2 CNN算法CNN算法是一种基于神经网络的分类算法，它通过多层神经元对输入图像进行特征提取和分类。
具体来说，CNN算法可以通过卷积、池化等操作，将输入图像进行多次特征提取和降维，最终输出分类结果。
无人机图像处理中的特征提取与目标识别无人机技术作为当今社会中的重要应用领域之一，正在发展迅速。
在无人机的图像处理中，特征提取与目标识别是至关重要的一步。
本文将探讨无人机图像处理中的特征提取和目标识别的相关技术和方法。
一、特征提取在无人机图像处理中，特征提取是将原始图像中的有用信息提取出来，以便后续的目标识别和跟踪。
特征提取的目标是找到能够最好地表示图像内容的特征，包括颜色、纹理、形状和边界等信息。
1. 颜色特征提取颜色是图像中最直观且易于理解的特征之一。
在无人机图像处理中，通过对颜色的提取和分析，可以识别物体的类别和性质。
常用的颜色特征提取方法包括颜色直方图、颜色矩和颜色共生矩阵等。
2. 纹理特征提取纹理是图像中描述物体表面细节的特征。
在无人机图像处理中，纹理特征提取可以用于识别不同材质的物体。
常用的纹理特征提取方法包括局部二值模式（LBP）、灰度共生矩阵（GLCM）和小波变换等。
3. 形状特征提取形状是物体在图像中的外部轮廓和内部结构等几何特征。
在无人机图像处理中，形状特征提取可以用于识别不同形状的目标。
常用的形状特征提取方法包括边缘检测、轮廓描述和形状匹配等。
4. 边界特征提取边界是物体与背景之间的分界线，包括物体的边缘和轮廓等信息。
在无人机图像处理中，边界特征提取可以用于目标的定位和分割。
常用的边界特征提取方法包括Canny算子、Sobel算子和Prewitt算子等。
二、目标识别在无人机图像处理中，目标识别是将提取的特征与预先训练好的模型进行匹配，从而确定图像中的物体类别和位置。
目标识别的目标是提高识别的准确性和速度，以满足实时应用的需求。
1. 机器学习方法机器学习方法是目标识别中常用的方法之一。
通过训练样本和算法模型，可以对图像中的目标进行准确的分类和识别。
常用的机器学习方法包括支持向量机（SVM）、卷积神经网络（CNN）和随机森林等。
2. 深度学习方法深度学习方法是目标识别中近年来快速发展的方法之一。
机器视觉中的特征提取方法机器视觉是人工智能领域中的重要研究方向，广泛应用于图像识别、目标跟踪、人脸识别等领域。
而特征提取是机器视觉的核心技术之一，是实现高精度识别的重要前提。
本文将介绍机器视觉中的特征提取方法。
一、什么是特征提取特征提取是指从原始图像中提取出最具代表性、最能区分不同目标的特征，用于后续的图像处理和分析。
由于原始图像包含大量冗余信息，经过特征提取后的特征向量通常是稠密的、简洁的，具有更高的鲁棒性和可靠性。
二、特征提取方法1.传统方法传统的特征提取方法包括颜色、纹理和形状等几类特征。
颜色特征是指从图像中提取出像素的颜色信息，通常以直方图的形式表示出来。
颜色直方图对目标的特征表示不够明显，常常需要与其他特征结合使用。
纹理特征是指从图像中提取出区域内像素的纹理信息，通常以灰度共生矩阵或小波变换的形式表示。
纹理特征能够更好地反映目标的质地，但在复杂场景下容易受到干扰。
形状特征是指从图像中提取出目标的轮廓、面积、周长等信息。
形状特征是一种重要的特征，但在实际应用中不够通用，需要根据具体应用场景进行优化。
2.深度学习方法深度学习是近年来特征提取领域的一种热门技术，它通过多层神经网络学习数据特征，大大提高了特征提取的准确性和泛化能力。
卷积神经网络(Convolutional Neural Network，CNN)是深度学习中最常用的一种网络结构，其通过卷积操作实现对图像特征的提取。
另外，循环神经网络(Recurrent Neural Network，RNN)在特定场景下也有着较好的表现，如序列数据分析和自然语言处理。
3.传统方法与深度学习方法的对比传统方法与深度学习方法各有优劣。
传统方法简单易实现，但对于复杂任务的特征提取效果较差，并且难以优化。
深度学习方法通过多层卷积核的学习，可以自动地学习到图像中的细节信息，提高了特征提取的准确性和泛化能力。
但是，深度学习方法也存在一些问题，如需要大量数据的训练，对计算资源的需求很高，并且在样本分布不平衡等情况下容易出现过拟合。
imagetest 原理解析imagetest原理解析imagetest是一种基于图像处理技术的测试方法，它主要用于图像分类、图像识别和图像检索等领域。
该方法通过对图像进行特征提取和模式匹配，实现对图像的自动化分析和处理。
一、特征提取特征提取是imagetest方法的关键步骤之一。
在这一步骤中，系统会对输入的图像进行预处理，提取出图像的特征信息，以便后续的模式匹配和分类。
常用的特征提取方法包括颜色特征、纹理特征、形状特征等。
1. 颜色特征提取颜色是图像中最直观和最容易获取的特征之一。
通过对图像中的像素进行统计分析，可以得到图像的颜色直方图。
颜色直方图描述了图像中各个颜色的分布情况，可以用于图像分类和检索。
2. 纹理特征提取纹理是图像中的重要特征之一，它描述了图像中像素之间的空间关系。
常用的纹理特征提取方法包括灰度共生矩阵、小波变换、Gabor滤波器等。
这些方法可以提取出图像中的纹理信息，用于图像分类和识别。
3. 形状特征提取形状是图像中物体的重要属性之一，它描述了物体的外轮廓和内部结构。
常用的形状特征提取方法包括边缘检测、边界描述、轮廓匹配等。
这些方法可以提取出图像中的形状信息，用于物体识别和检测。
二、模式匹配模式匹配是imagetest方法的另一个关键步骤。
在这一步骤中，系统会将特征提取得到的图像特征与预先存储的模板进行比对，找出最相似的模板，从而实现对图像的分类和识别。
1. 相似度计算相似度计算是模式匹配的核心内容之一。
常用的相似度计算方法包括欧氏距离、余弦相似度、相关系数等。
通过对图像特征和模板特征进行相似度计算，可以得到它们之间的相似程度，从而确定最匹配的模板。
2. 决策规则决策规则是模式匹配的另一个重要内容。
在这一步骤中，系统会根据相似度计算的结果，确定图像的分类或识别结果。
常用的决策规则包括最邻近分类法、支持向量机、神经网络等。
三、应用领域imagetest方法可以应用于多个领域，包括图像分类、图像识别和图像检索等。
颜色特征纹理特征
颜色特征和纹理特征是计算机视觉和图像处理中常用的两种图像特征。
颜色特征是指图像中颜色的分布和强度信息。
颜色特征可以通过提取图像的颜色直方图、颜色矩、颜色相关图等方式来表示。
颜色特征对于图像的分类、识别和检索等任务非常有用，因为颜色是人类视觉感知中最基本和最重要的特征之一。
纹理特征是指图像中局部区域的纹理模式和结构信息。
纹理特征可以通过提取图像的灰度共生矩阵、局部二值模式、Tamura 纹理特征等方式来表示。
纹理特征对于图像的分类、识别和分割等任务非常有用，因为纹理是图像中包含的重要语义信息之一。
在实际应用中，颜色特征和纹理特征通常结合使用，以提高图像分类、识别和检索等任务的准确性。
例如，可以使用颜色特征和纹理特征来构建图像的特征向量，然后使用支持向量机、随机森林等分类器进行分类或识别。
图像特征提取技术综述图像特征提取技术综述摘要：图像特征提取是计算机视觉领域中的一个重要研究方向。
它的目标是从图像中提取出具有代表性的信息，用于图像分类、目标识别、目标跟踪等应用。
本综述将对常用的图像特征提取技术进行概述，并分析其优劣和适用场景。
一、颜色特征提取技术颜色是图像的重要属性之一，具有信息丰富且易于理解的特点。
常用的颜色特征提取方法有：颜色直方图、颜色矩和颜色共生矩阵。
颜色直方图表示图像中各个颜色的分布情况，可以用来描述图像的整体颜色分布特征。
颜色矩是对颜色分布进行统计的特征，能够表征图像的颜色平均值、离散度等信息。
颜色共生矩阵则可以提取纹理信息，通过统计图像中相邻像素间的灰度值搭配出现频率来描述图像的纹理特征。
二、形状特征提取技术形状是物体的重要特征之一，对于图像分类和目标识别等任务有着重要的作用。
常用的形状特征提取方法有：边缘检测和轮廓提取、形状上下文和尺度不变特征变换（SIFT）。
边缘检测和轮廓提取是将图像中的边缘和轮廓提取出来，可以用来描述物体的形状特征。
形状上下文是描述物体形状的一种方法，它将物体的形状分解为多个小区域，通过计算各个区域之间的相对位置关系来表示形状。
SIFT是一种可旋转、尺度不变的局部特征描述子，通过检测图像中的局部极值点并计算其方向直方图来描述图像的形状特征。
三、纹理特征提取技术纹理是图像中一些重要的结构特征，对于图像分析和识别具有重要的作用。
常用的纹理特征提取方法有：灰度共生矩阵、Gabor滤波器和小波变换。
灰度共生矩阵是一种用来描述纹理特征的统计方法，通过计算图像中相邻像素间灰度搭配出现频率来描述纹理的复杂程度。
Gabor滤波器是一种基于小波变换的滤波器，通过对不同尺度和方向的Gabor滤波器的响应进行统计来描述纹理特征。
小波变换是将图像分解为不同尺度和方向的频域信息，通过计算不同尺度和方向下的能量和相位特征来描述纹理特征。
四、深度学习在图像特征提取中的应用深度学习是近年来兴起的一种机器学习方法，它通过构建多层神经网络来学习图像的特征表示。
遥感影像解译中的纹理特征提取与分类算法研究遥感影像解译是利用遥感技术获取的影像数据来获取地表信息的过程。
其中，纹理特征提取与分类算法在遥感影像解译中起着重要的作用。
本文将探讨纹理特征提取与分类算法在遥感影像解译中的研究现状和应用。
一、纹理特征提取方法研究纹理特征是指图像上的局部空间灰度分布的某种统计规律，可以用于描述不同地物的纹理特性。
在遥感影像解译中，纹理特征有助于提取地物的空间结构信息，从而更准确地分类地物。
1.像素级纹理特征提取方法像素级的纹理特征提取方法主要采用统计学方法和频域方法。
统计学方法基于灰度共生矩阵（GLCM）和灰度差异矩阵（GDM）等，通过对图像像素间的灰度关系进行统计和计算，提取纹理特征。
频域方法主要利用傅里叶变换或小波变换将图像转换为频域表示，从中提取纹理特征。
2.基于区域的纹理特征提取方法基于区域的纹理特征提取方法考虑到了图像中的区域上下文信息，对于遥感影像解译中复杂的地物分类任务特别有效。
常见的方法包括灰度共生矩阵（GLCM）特征提取、灰度差异矩阵（GDM）特征提取、局部二值模式（LBP）特征提取等。
二、纹理特征分类算法研究纹理特征提取后，需要将其应用于地物分类。
目前，常见的纹理特征分类算法包括最大似然分类、支持向量机（SVM）、随机森林（RF）、卷积神经网络（CNN）等。
1.最大似然分类最大似然分类是常用的遥感影像分类方法之一，基于统计学原理，通过最大化后验概率来进行分类。
在纹理特征分类中，最大似然分类器可以与纹理特征结合，提高分类精度。
2.支持向量机（SVM）支持向量机是一种常用的机器学习算法，可用于分类和回归问题。
在纹理特征分类中，SVM可以通过构建支持向量机模型进行分类，根据纹理特征的统计规律将地物进行分类。
3.随机森林（RF）随机森林是一种集成学习算法，能够有效地减小过拟合问题。
在纹理特征分类中，随机森林可以将多个决策树进行组合，对纹理特征进行分类。
4.卷积神经网络（CNN）卷积神经网络是一种深度学习算法，在遥感影像解译中具有广泛的应用。
图像特征提取方法详解图像特征提取是计算机视觉领域中的重要一环，它是对图像中的信息进行抽象和描述的过程。
特征提取的目的是将图像中的信息转化成易于处理和分析的形式，以便进行后续的图像识别、分类、检索等任务。
在本文中，我们将详细介绍图像特征提取的方法和技术。
色彩特征色彩特征是图像特征提取中的重要一部分。
色彩特征可以描述图像中的颜色分布和色彩信息。
常用的色彩特征提取方法包括颜色直方图、颜色矩和颜色空间变换等。
颜色直方图是一种描述图像中颜色分布的统计特征，可以通过统计图像中每种颜色的像素数量来得到。
颜色直方图可以用于图像检索和分类任务，通常可以通过将颜色空间划分成不同的区域来进行计算。
颜色矩是描述图像颜色分布特征的统计量，可以用来表示图像的颜色分布和色彩信息。
颜色空间变换是将图像从一种颜色空间转换到另一种颜色空间的过程，常用的颜色空间包括RGB、HSV和Lab等。
纹理特征纹理特征是描述图像表面细微细节和纹理信息的一种特征。
纹理特征可以帮助我们分析图像中的纹理结构、纹理方向和纹理密度等信息。
常用的纹理特征提取方法包括灰度共生矩阵、局部二值模式和Gabor滤波器等。
灰度共生矩阵是描述图像纹理结构和纹理方向的统计特征，可以通过分析图像中像素灰度级别的相对位置关系来计算。
局部二值模式是一种描述图像局部纹理特征的方法，可以通过比较像素点周围邻域像素的灰度值来得到图像的纹理特征。
Gabor滤波器是一种用于提取图像纹理特征的滤波器，可以通过对图像进行Gabor变换来获取图像的纹理信息。
形状特征形状特征是描述图像中物体形状和结构的特征。
形状特征可以帮助我们分析图像中的物体轮廓、边界和几何形状等信息。
常用的形状特征提取方法包括边缘检测、轮廓提取和形状描述子等。
边缘检测是一种用于提取图像中物体边缘信息的方法，可以通过分析图像中像素点的灰度值梯度来得到物体的边缘信息。
轮廓提取是一种用于提取图像中物体轮廓信息的方法，可以通过对图像进行边缘检测和形态学操作来得到物体的轮廓信息。
图像处理中的特征提取与识别图像处理是一项涉及数学、计算机科学等多个学科的综合性技术。
在图像处理的过程中，特征提取和识别是非常重要的步骤。
一、特征提取特征提取是通过数学算法和操作，将原始图像中的信息提取出来，以便于计算机进行分析和识别。
一个好的特征提取算法，应该能够准确地提取出不同类别的图像所具有的特征，并且能够排除其他不相关的信息。
在特征提取中，常用的方法有如下几种：1. 颜色特征提取颜色是图像中最基本的特征之一。
颜色特征提取可以通过计算每个像素的颜色分量来实现。
在颜色特征提取中，常用的方法有颜色矩和颜色直方图。
2. 纹理特征提取纹理是图像中的一个重要特征，它可以用来描述图像中物体表面的细节特征。
在纹理特征提取中，常用的方法有灰度共生矩阵和小波变换。
3. 形状特征提取形状是描述物体轮廓的一个特征，可以提供物体的基本信息。
在形状特征提取中，常用的方法有边缘检测和轮廓分析。
二、特征识别特征识别是将特征与已知类别的图像进行比较，通过比较结果来确定该图像所属的类别。
这个过程常用的方法包括分类器和神经网络等。
1. 分类器分类器是一种能够将样本分成不同类别的机器学习算法。
在特征识别中，常用的分类器有支持向量机、朴素贝叶斯、决策树等。
2. 神经网络神经网络是模拟人脑结构和工作原理的一种计算模型。
神经网络通过训练和学习，能够实现特征识别和分类。
在图像处理中，常用的神经网络包括卷积神经网络和循环神经网络等。
三、应用特征提取和识别在图像处理中有广泛的应用。
以下是几个常见的应用场景：1. 人脸识别人脸识别是一种非常广泛的应用场景，特征提取和识别在其中扮演了重要的角色。
通过提取人脸的特征，如眼睛、鼻子、嘴巴等，可以实现人脸的快速识别和匹配。
2. 车牌识别车牌识别是一种将车辆车牌信息自动识别和记录的技术。
通过提取车牌的颜色、字体等特征，可以实现车牌的自动识别。
3. 医学图像分析医学图像分析是一种将医学图像自动分析和诊断的技术。
图像前景提取算法图像前景提取算法是图像处理中的一个重要研究方向，其目的是从图像中分离出目标物体的前景部分。
前景提取算法可应用于很多领域，如计算机视觉、图像分割、目标识别等。
目前常用的前景提取算法有多种，包括基于颜色、纹理、形状等特征的算法。
下面将简单介绍几种常见的前景提取算法。
1. 基于颜色的算法：这是一种简单而常用的前景提取方法。
该算法基于颜色的差异将前景和背景分离。
可以使用阈值法或色彩模型来实现。
阈值法根据颜色值的差异将像素点归为前景或背景，但对光照变化和背景干扰比较敏感。
色彩模型则将图像从RGB空间转换为HSV、YUV等颜色空间，利用特定通道的颜色信息对前景进行提取。
2. 基于纹理的算法：图像中的纹理信息对物体的前景提取非常重要。
通过纹理特征的变化，可以将前景和背景进行分割。
例如，使用纹理特征描述子，如共生矩阵、LBP等，对图像进行分析和分类，将纹理相似的像素点划分到同一类别，进而实现前景提取。
3. 基于形状的算法：前景物体通常具有明显的形状特征，如边缘、轮廓等。
利用这些形状特征进行前景提取是一种有效的方法。
边缘检测是一种常见的基于形状的前景提取技术，常用的算法有Canny边缘检测、Sobel算子等。
还可以使用形态学操作，如膨胀、腐蚀等，通过对图像的形状进行改变，从而实现前景的分离。
4. 基于深度学习的算法：近年来，随着深度学习的迅速发展，基于深度学习的前景提取算法也取得了显著的进展。
基于卷积神经网络（CNN）的前景提取算法能够学习到图像的高层次特征，进而得到更准确的分割结果。
综上所述，图像前景提取算法有多种方法，可以根据具体应用场景和需求来选择合适的算法。
不同的算法在效果、精度和速度等方面有所差别，可以根据具体情况进行选择和调整。
此外，前景提取算法的改进和创新仍然是一个活跃的研究方向，未来可以进一步提高算法的性能和鲁棒性。
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 XH =60*(G- B)/(M A X - M IN) R = M A X120+ 60*(B – R)/(M A X - M IN) G= M A X240+ 60*(R – G)/(M A X - M IN) B = M A XV = M A X2 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)= k n 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, k n 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:1{[],[],...,[]...[]|0[]1}k k n k H h c h c h c h c h c =<>≤≤ (2)其中, 表示Ci 到 Ck 种颜色的像素的累加频数,n 表示量化得到的颜色数。
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)0, if Max=0S(Max-Min)/Max, else (6)0, if Max=060(G-B) /(Max-Min) if Max=R and G>B H360+60(G-B) /(Max-Min) if Max=R and G<B (7)60[2+(B-R)]/ (Max-Min) if Max=G 60[4+(R-G)]/ (Max-Min) else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)σi11N i ij j u PN ==∑ (i=1,2,3) (8)(9)式中 N — —图像像素数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 2/2x - ( 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:其中, k p ×kQ 为第 k ( k = 1, 2, …, 9)块 (参见图 1)低频子带的大小, S kH ( i , j)、 S kS ( i , j)和 S kI ( i , j)分别为 H 、 S 、 I 分量第 k 块低频子带的系数.这样对图像每一分块均可获得如下的颜色特征向量:()k f = ( E kH , E kS , E kI ) , k = 1, 2, …, 92.6.3 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:()k f = ( E kH , E kS , E kI ) , k = 1, 2, …, 9Step 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( x 0 , y 0 ) ,计算第 k 块的中心坐标 ( x k , y k )与图像中心坐标的距离:X k =2200()()k k x x y y -+-, ( k = 1, 2, …, 9)Step 4 . 确定第 k 个分块的加F ()k = ()k f × φ(x k ) , ( k = 1, 2, …, 9)Step 5 . 综合各分块的加权特征向量,最后可获得整幅图像的加权颜色特征向量:FF = ( F (1), F (2), …, F (9))2.6.4 相似度计算设 FFp = ( F (1)p , F (2)p , …, F (9)p )和 FFq = (F (1)q , F (2)q , …, F (9)q ) 分别为图像 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:其中,D ( F ()i p , F ()i 为两图像第 i 块的距离; (piH E , piS E , piV E )、(qiH E , qiS E , qiV E )分别为两图像第 i ( i = 1, 2, …, 9)块的特征向量;α1 ,α2 ,α3为 H 、 S 、 I 各分量的权重,考虑到由于人眼对色调最为敏感,本文选取α1 = 0 . 6,α2 =α3 = 0 . 2该参数也可通过试验统计获得.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。
