颜色、形状、纹理特征提取算法及应用wtt

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)= 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=0

S

(Max-Min)/Max, else (6)

0, if Max=0

60(G-B) /(Max-Min) if Max=R and G>B H

360+60(G-B) /(Max-Min) if Max=R and G

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)σi

11N i ij j u P

N ==∑ (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.