基于颜色特征提取

颜色特征提取

颜色直方图是最常用的一种特征：

颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色直方图特别适于描述那些难以进行自动分割的图像。

当然，颜色直方图可以是基于不同的颜色空间和坐标系。最常用的颜色空间是RGB颜色空间，原因在于大部分的数字图像都是用这种颜色空间表达的。然而，RGB空间结构并不符合人们对颜色相似性的主观判断。因此，有人提出了基于HSV空间、Luv空间和Lab空间的颜色直方图，因为它们更接近于人们对颜色的主观认识。其中HSV空间是直方图最常用的颜色空间。它的三个分量分别代表色彩（Hue）、饱和度（Saturation）和值（Value）。

计算颜色直方图需要将颜色空间划分成若干个小的颜色区间，每个小区间成为直方图的一个bin。这个过程称为颜色量化（color quantization）。然后，通过计算颜色落在每个小区间内的像素数量可以得到颜色直方图。颜色量化有许多方法，例如向量量化、聚类方法或者神经网络方法。最为常用的做法是将颜色空间的各个分量（维度）均匀地进行划分。相比之下，聚类算法则会考虑到图像颜色特征在整个空间中的分布情况，从而避免出现某些bin中的像素数量非常稀疏的情况，使量化更为有效。另外，如果图像是RGB格式而直方图是HSV空间中的，我们可以预先建立从量化的RGB空间到量化的HSV空间之间的查找表（look-up table），从而加快直方图的计算过程。

上述的颜色量化方法会产生一定的问题。设想两幅图像的颜色直方图几乎相同，只是互相错开了一个bin，这时如果我们采用L1距离或者欧拉距离（见3.1.1节）计算两者的相似度，会得到很小的相似度值。为了克服这个缺陷，需要考虑到相似但不相同的颜色之间的相似度。一种方法是采用二次式距离。另一种方法是对颜色直方图事先进行平滑过滤，即每个bin中的像素对于相邻的几个bin也有贡献。这样，相似但不相同颜色之间的相似度对直方图的相似度也有所贡献。

选择合适的颜色小区间（即直方图的bin）数目和颜色量化方法与具体应用的性能和效率要求有关。一般来说，颜色小区间的数目越多，直方图对颜色的分辨能力就越强。然而，bin的数目很大的颜色直方图不但会增加计算负担，也不利于在大型图像库中建立索引。而且对于某些应用来说，使用非常精细的颜色空间划分方法不一定能够提高检索效果，特别是对于不能容忍对相关图像错漏的那些应用。另一种有效减少直方图bin的数目的办法是只选用那些数值最大（即像素数目最多）的bin来构造图像特征，因为这些表示主要颜色的bin能够表达图像中大部分像素的颜色。实验证明这种方法并不会降低颜色直方图的检索效果。事实上，由于忽略了那些数值较小的bin，颜色直方图对噪声的敏感程度降低了，有时会使检索效果更好

HSV空间是比较常用的统计颜色特征的空间，它比RGB系统更接近人们的经验队彩色的感知。

hsv空间图如下：

其中H代表了色调，S代表颜色，V可以看做饱和度，统计中采用了固定h和s，统计v特征，比如，划分h为16份，s为4份，v为4份，那么我们最终会得到一个256维的特征向量。具体的维数可以相应的调整，我们也可以分块对图像进行统计。显示更多的细节。

matlab代码如下：

 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，见你以前的提问。
 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);

说明：bitshift是对数据的位操作，其实就是乘除法，例如：bitshift（12，-2），就是12除以2的2次方，结果为3，第二个参数是负数就是除，是整数就是乘。

reshape是吧一个矩阵变成1*M的长向量。

最后一步是归一化的计算。