没有合适的资源?快使用搜索试试~ 我知道了~
颜色、形状、纹理特征提取算法及应用
4星 · 超过85%的资源 需积分: 50 91 下载量 93 浏览量
2011-10-11
16:13:39
上传
评论 3
收藏 1.69MB DOC 举报
温馨提示
试读
22页
文档就纹理特征提取算法做了较好的介绍,算是一个课题总结吧,没有实现代码,思想是可以看考一下。
资源推荐
资源详情
资源评论
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=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, 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:
(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<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 ) μ 和二阶矩 (variance)σ
(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 ( 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, × 为第 k ( k = 1, 2, …, 9)块 (参见图 1)低频子带的大小, S ( i , j)、
S ( i , j)和 S ( 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:
= ( E , E , E ) , k = 1, 2, …, 9
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:
= ( E , E , E ) , 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 , f , …, f )
Step 3 .设图像的中心坐标 (即中间 1 块的中心坐标 )为( x , y ) ,计算第 k 块的
中心坐标 ( x , y )与图像中心坐标的距离:
X = , ( k = 1, 2, …, 9)
Step 4 . 确定第 k 个分块的加
F = × φ(x ) , ( 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 , F , …, F )
2.6.4 相似度计算
设 FFp = ( F p , F p , …, F p )和 FFq = (F q , F q , …, F 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 p , F q ) = 为两
图像第 i 块的距离; ( , , )、( , , )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。
剩余21页未读,继续阅读
曾经de混混
- 粉丝: 60
- 资源: 32
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
- 1
- 2
前往页