轉(zhuǎn)自：http://hi.baidu.com/intelliencecore/blog/item/fe7d0945b2b6c62ecffca386.html

?

顏色特征是在圖像檢索中應(yīng)用最為廣泛的視覺(jué)特征，主要原因在于顏色往往和圖像中所包含的物體或場(chǎng)景十分相關(guān)。此外，與其他的視覺(jué)特征相比，顏色特征對(duì)圖像本身的尺寸、方向、視角的依賴(lài)性較小，從而具有較高的魯棒性。

面向圖像檢索的顏色特征的表達(dá)涉及到若干問(wèn)題。首先，我們需要選擇合適的顏色空間來(lái)描述顏色特征；其次，我們要采用一定的量化方法將顏色特征表達(dá)為向量的形式；最后，還要定義一種相似度（距離）標(biāo)準(zhǔn)用來(lái)衡量圖像之間在顏色上的相似性。在本節(jié)中，我們將主要討論前兩個(gè)問(wèn)題，并介紹顏色直方圖、顏色矩、顏色集、顏色聚合向量以及顏色相關(guān)圖等顏色特征的表示方法。

1?顏色直方圖

顏色直方圖是在許多圖像檢索系統(tǒng)中被廣泛采用的顏色特征。它所描述的是不同色彩在整幅圖像中所占的比例，而并不關(guān)心每種色彩所處的空間位置，即無(wú)法描述圖像中的對(duì)象或物體。顏色直方圖特別適于描述那些難以進(jìn)行自動(dòng)分割的圖像。

當(dāng)然，顏色直方圖可以是基于不同的顏色空間和坐標(biāo)系。最常用的顏色空間是RGB顏色空間，原因在于大部分的數(shù)字圖像都是用這種顏色空間表達(dá)的。然而，RGB空間結(jié)構(gòu)并不符合人們對(duì)顏色相似性的主觀判斷。因此，有人提出了基于HSV空間、Luv空間和Lab空間的顏色直方圖，因?yàn)樗鼈兏咏谌藗儗?duì)顏色的主觀認(rèn)識(shí)。其中HSV空間是直方圖最常用的顏色空間。它的三個(gè)分量分別代表色彩（Hue）、飽和度（Saturation）和值（Value）。

計(jì)算顏色直方圖需要將顏色空間劃分成若干個(gè)小的顏色區(qū)間，每個(gè)小區(qū)間成為直方圖的一個(gè)bin。這個(gè)過(guò)程稱(chēng)為顏色量化（color quantization）。然后，通過(guò)計(jì)算顏色落在每個(gè)小區(qū)間內(nèi)的像素?cái)?shù)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(lèi)方法或者神經(jīng)網(wǎng)絡(luò)方法。最為常用的做法是將顏色空間的各個(gè)分量（維度）均勻地進(jìn)行劃分。相比之下，聚類(lèi)算法則會(huì)考慮到圖像顏色特征在整個(gè)空間中的分布情況，從而避免出現(xiàn)某些bin中的像素?cái)?shù)量非常稀疏的情況，使量化更為有效。另外，如果圖像是RGB格式而直方圖是HSV空間中的，我們可以預(yù)先建立從量化的RGB空間到量化的HSV空間之間的查找表（look-up table），從而加快直方圖的計(jì)算過(guò)程。

上述的顏色量化方法會(huì)產(chǎn)生一定的問(wèn)題。設(shè)想兩幅圖像的顏色直方圖幾乎相同，只是互相錯(cuò)開(kāi)了一個(gè)bin，這時(shí)如果我們采用L1距離或者歐拉距離（見(jiàn)3.1.1節(jié)）計(jì)算兩者的相似度，會(huì)得到很小的相似度值。為了克服這個(gè)缺陷，需要考慮到相似但不相同的顏色之間的相似度。一種方法是采用二次式距離[4]（見(jiàn)3.1.3節(jié)）。另一種方法是對(duì)顏色直方圖事先進(jìn)行平滑過(guò)濾，即每個(gè)bin中的像素對(duì)于相鄰的幾個(gè)bin也有貢獻(xiàn)。這樣，相似但不相同顏色之間的相似度對(duì)直方圖的相似度也有所貢獻(xiàn)。

選擇合適的顏色小區(qū)間（即直方圖的bin）數(shù)目和顏色量化方法與具體應(yīng)用的性能和效率要求有關(guān)。一般來(lái)說(shuō)，顏色小區(qū)間的數(shù)目越多，直方圖對(duì)顏色的分辨能力就越強(qiáng)。然而，bin的數(shù)目很大的顏色直方圖不但會(huì)增加計(jì)算負(fù)擔(dān)，也不利于在大型圖像庫(kù)中建立索引。而且對(duì)于某些應(yīng)用來(lái)說(shuō)，使用非常精細(xì)的顏色空間劃分方法不一定能夠提高檢索效果，特別是對(duì)于不能容忍對(duì)相關(guān)圖像錯(cuò)漏的那些應(yīng)用。另一種有效減少直方圖bin的數(shù)目的辦法是只選用那些數(shù)值最大（即像素?cái)?shù)目最多）的bin來(lái)構(gòu)造圖像特征，因?yàn)檫@些表示主要顏色的bin能夠表達(dá)圖像中大部分像素的顏色。實(shí)驗(yàn)證明這種方法并不會(huì)降低顏色直方圖的檢索效果。事實(shí)上，由于忽略了那些數(shù)值較小的bin，顏色直方圖對(duì)噪聲的敏感程度降低了，有時(shí)會(huì)使檢索效果更好。兩種采用主要顏色構(gòu)造直方圖的方法可以在文獻(xiàn)[5,6]中找到。

2?顏色矩

另一種非常簡(jiǎn)單而有效的顏色特征使由Stricker?和Orengo所提出的顏色矩（color moments）?[7]。這種方法的數(shù)學(xué)基礎(chǔ)在于圖像中任何的顏色分布均可以用它的矩來(lái)表示。此外，由于顏色分布信息主要集中在低階矩中，因此僅采用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達(dá)圖像的顏色分布。與顏色直方圖相比，該方法的另一個(gè)好處在于無(wú)需對(duì)特征進(jìn)行向量化。因此，圖像的顏色矩一共只需要9個(gè)分量（3個(gè)顏色分量，每個(gè)分量上3個(gè)低階矩），與其他的顏色特征相比是非常簡(jiǎn)潔的。在實(shí)際應(yīng)用中為避免低次矩較弱的分辨能力，顏色矩常和其它特征結(jié)合使用，而且一般在使用其它特征前起到過(guò)濾縮小范圍（narrow down）的作用。

3?顏色集

為支持大規(guī)模圖像庫(kù)中的快速查找，Smith和Chang提出了用顏色集（color sets）作為對(duì)顏色直方圖的一種近似[8]。他們首先將RGB顏色空間轉(zhuǎn)化成視覺(jué)均衡的顏色空間（如HSV空間），并將顏色空間量化成若干個(gè)bin。然后，他們用色彩自動(dòng)分割技術(shù)將圖像分為若干區(qū)域，每個(gè)區(qū)域用量化顏色空間的某個(gè)顏色分量來(lái)索引，從而將圖像表達(dá)一個(gè)二進(jìn)制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區(qū)域的空間關(guān)系（包括區(qū)域的分離、包含、交等，每種對(duì)應(yīng)于不同得評(píng)分）。因?yàn)轭伾磉_(dá)為二進(jìn)制的特征向量，可以構(gòu)造二分查找樹(shù)來(lái)加快檢索速度，這對(duì)于大規(guī)模的圖像集合十分有利。

4?顏色聚合向量

針對(duì)顏色直方圖和顏色矩?zé)o法表達(dá)圖像色彩的空間位置的缺點(diǎn)，Pass[9]提出了圖像的顏色聚合向量（color coherence vector）。它是顏色直方圖的一種演變，其核心思想是將屬于直方圖每一個(gè)bin的像素進(jìn)行分為兩部分：如果該bin內(nèi)的某些像素所占據(jù)的連續(xù)區(qū)域的面積大于給定的閾值，則該區(qū)域內(nèi)的像素作為聚合像素，否則作為非聚合像素。假設(shè)αi與βi分別代表直方圖的第i個(gè)bin中聚合像素和非聚合像素的數(shù)量，圖像的顏色聚合向量可以表達(dá)為<(α1,?β1), (α2,?β2),?…, (αN,?βN)>。而<α1 +?β1,?α2 +?β2,?…,?αN +βN >?就是該圖像的顏色直方圖。由于包含了顏色分布的空間信息，顏色聚合向量相比顏色直方圖可以達(dá)到更好的檢索效果。

5?顏色相關(guān)圖

顏色相關(guān)圖（color correlogram）是圖像顏色分布的另一種表達(dá)方式[16]。這種特征不但刻畫(huà)了某一種顏色的像素?cái)?shù)量占整個(gè)圖像的比例，還反映了不同顏色對(duì)之間的空間相關(guān)性。實(shí)驗(yàn)表明，顏色相關(guān)圖比顏色直方圖和顏色聚合向量具有更高的檢索效率，特別是查詢(xún)空間關(guān)系一致的圖像。

如果考慮到任何顏色之間的相關(guān)性，顏色相關(guān)圖會(huì)變得非常復(fù)雜和龐大(空間復(fù)雜度為O(N2d))。一種簡(jiǎn)化的變種是顏色自動(dòng)相關(guān)圖（color auto-correlogram），它僅僅考察具有相同顏色的像素間的空間關(guān)系，因此空間復(fù)雜度降到O(Nd)。

總結(jié)

以上是生活随笔為你收集整理的颜色特征的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。