颜色矩特征提取matlab,彩色图像特征提取研究(一)

彩色图像特征提取研究(一)

通过函数的MATLAB实现得到如下结果图：

图(4-2)图像的边缘检测

4.3图像分割

图像是从处理到分析的关键步骤之一，在现代数字技术发展中占据重要地位。随着现代数字技术的发展以及人工智能的进步，在实际应用中需要依赖于高质量的图象分划效果才能取得良好的结果。图像是将影像划分为具有独特属性的不同区域，并通过技术手段提取出感兴趣物体来完成的一系列操作。虽然在这一领域已取得诸多研究成果[7] ，但因缺乏普适性理论支撑 ，现有的分划方法多是针对特定应用场景设计的 ，尚无一个适用于所有类型图象的一般性分划方法 。对于彩色影像分划问题而言 ，必须充分挖掘彩色影像所蕴含的颜色特性 ，选取合适的表征指标 ，使得物體与背景之间能够基于这些特性实现区分 。在此基础上 ，利用这些颜色特性指标将原始色彩丰富型式转换为灰度形式 ，进而通过确定合适的阈值实现二值化处理

4.4纹理特征提取

在进行图像分割时追求较高的效果是一个重要原则，在选择纹理特征时需要综合考虑图像的空间细节特性以及像素间的相互影响关系，在本研究中我们采用基于像素为中心的空间窗口构建方法来提取其纹理特征

灰度共生矩阵（Gray Level Co-occurrence Matrix, GLCM）作为一种有效的纹理特征分析方法近年来备受关注。该方法通过衡量图像中像素点灰度值之间的相关性来反映图像的空间特性特征。其定义基于像素点之间的相对位置关系δ=(ΔX, ΔY)，即k(i,j)表示满足f(x,y)=i且f(x+ΔX,y+ΔY)=j的所有像素坐标(x,y)集合的大小，并计算这些符合条件的像素数量。其中x,y为像素坐标,f(x,y)表示该点的灰度值,i,j=0,1,…,L-1,L代表灰度级数目,ΔX,ΔY为偏移量。为了描述图像的纹理特征,通常采用一系列统计量来进行表征,其中较为常用的主要包括纹理一致性和纹理反差等统计量[1]。本文选择采用纹理一致性作为主要的纹理特征指标,其具体定义如下:

纹理一致性：其中p(i,j)表示归一化共生矩阵中灰度级配对为(i,j)的联合概率密度值；k[i][j]表示满足条件{(x,y)|f(x,y)=i且f(x+ΔX, y+ΔY)=j；x,y=0,1,…,N-1}的所有像素数量；L代表可区分的灰度等级总数。

4.5傅立叶特征

为了计算纹理特征需要选择适当的窗口，在这一过程中单一采样点无法体现任何有意义的纹理特征因此可以推断出纹理特征属于二维空间。在进行纹理分析时通常采用傅里叶变换作为工具这一方法之所以被广泛采用是因为其能量频谱分布能够一定程度上反映图像的空间频率特性。设纹理图像为f(x,y)，其傅里叶变换可由下式表示：

F(u,v)=∫∫f(x,y)eｄｘｄｙ

其功率谱定义为：

｜F(u,v)｜＝F(u,v) F(u,v)

其共轭复数。功率谱F(u,v)则全面地反映了图象的整体特性。由此可知：若一幅图象具有较为粗糙的纹理特征——即图象中各点之间的灰度级的变化幅度较小或变化缓慢——则在其（u+v）较小的位置上|F(u,v)|将具有较大的数值；反之，在一幅纹理较为细腻的图象中——即各点之间灰度级的变化幅度较大或变化较快——则在其（u+v）较大的位置上|F(u,v)|将呈现出显著较高的数值。进而提出一个有效的评估指标——即观察|F(u,v)|随(u+v)的变化情况以判断图象纹理特征的粗细程度

如果采用傅立叶变换并采用极坐标形式表示，则其极坐标形式可表示为F(r,θ)。考虑在r处的圆上存在能量分布情况时

Φr=∫| F(r,θ)|dθ

通过实际纹理图像的研究发现，在不同层次的空间结构中呈现出显著差异性特征：当纹理较为粗糙时（即纹理较粗），其能量主要集中在靠近坐标原点的位置；而当空间结构变得较为细腻（即纹理较细）时，则呈现出分布在距离坐标中心区域较远的位置的特点。基于此现象分析可推导出以下结论：当参数r较小时（即取值范围较小），对应的函数值Φ(r)呈现较大的幅值；而当参数值趋于较大（即取值范围增大）时，则函数值Φ(r)反而呈现减小的趋势——这表明该表面具有较大的粗糙度；反之地，在参数r发生较大变化（即取值范围显著扩大）的情形下，则对应的函数幅值变化幅度相对较小——这则提示该表面呈现出较高的平滑特性。

4.6颜色特征提取

核心功能是识别并存储图像的颜色特征信息到数据库中；这些数据将作为检索的基础依据；具体流程如下：首先进行预处理以增强图像质量；然后应用特定算法提取关键细节；最后按照标准格式进行分类和索引。

(1)将RGB颜色空间转换为适合肉眼分辨的HSV颜色空间;

(2)HSV空间的非等间隔量化;

(3)根据量化后的图像统计得到直方图[5]。

4.6.1 RGB颜色空间转换HSV颜色空间

颜色被认为是最具价值的基础属性，在图像检索领域发挥着核心作用,因而其也成为了应用最广泛的视觉特征指标。在复杂背景环境中,色彩特性的稳定性较高,不受观察视角变化及光线条件影响。通常所指的色彩空间包括RGB、HSI、HSL等类型,具体采用哪种色彩模型则没有统一标准。值得注意的是,尽管RGB模型通过红绿蓝三基色构建色彩体系,但其与人类感知系统的色调映射效果并不理想;相比之下,HSV模型更为理想的解决方案是HSV模型。对于HSV（六棱锥）色彩空间而言,给定基于RGB值(r,g,b)的颜色分量,r,g,b均属于[0,255]区间,通过以下变换可将其转换至HSV空间表示:H,S,V值定义如下:设v'=max(r,g,b),并定义{r',g',b'}为

r'=(v'-r)/(v'-min(r,g,b))

g'=(v'-g)/(v'-min(r,g,b))

b'=(v'-b)/(v'-min(r,g,b))

则有v=v'/255,s=(v'-min(r,g,b))/v'

h’= 5+b’ , r=max(r,g,b)且g=min(r,g,b);

1-g’, r=max(r,g,b)且g=min(r,g,b);

1+r’ g=max(r,g,b);

3-b’, g=max(r,g,b)且b=min(r,g,b);

3+g’, b=max(r,g,b)且r=min(r,g,b)

5-r’, 其他

h=h'×60

这里r,g,b∈[0,255],h∈[0,360],s∈[0,1],v∈[0,1]

4.6.2HSV空间的非等间隔量化

将h,s,v三个分量按照人的颜色感知进行非等间距量化，并基于对颜色模型的深入分析和计算。此外，在色调h维度上划分为16个区间，在饱和度s与亮度v两个维度上分别划分为4个等级，并根据色彩不同区间的划分来进行量化处理；最终所得的色调、饱和度与亮度值分别为H,S,V的形式。

H= 0, 如果h∈(345,15]; S= 0, 如果s∈(0,0.15];

1, 如果h∈(15,25]; . 1, 如果s∈(0.15,0.4];

2, 如果h∈(25,45]; . 2, 如果s∈(0.4,0.75];

3, 如果h∈(45,55]; . 3, 如果s∈(0.75,1];

4, 如果h∈(55,80];

5, 如果h∈(80,108];

6, 如果h∈(108,140];

7, 如果h∈(140,165];

8, 如果h∈(165,190]; V= 0, 如果v∈(0,0.15];

9, 如果h∈(190,220]; . 1, 如果v∈(0.15,0.4];

10, 如果h∈(220,255]; . 2, 如果v∈(0.4,0.75];

11, 如果h∈(255,275]; . 3, 如果v∈(0.75,1];

12, 如果h∈(275,290]; .

13, 如果h∈(290,316];

14, 如果h∈(316,330];

15, 如果h∈(330,345];

h,s,v的取值范围均为左开右闭区间。完成量化后,我们将颜色空间划分为由 Lh \times Ls \times Lv 个相似色空间构成的空间网格.其中,Lh,Ls和 Lv 分别代表三个颜色分量的划分数量;将三个颜色分量结合为一个一维特征向量L = H \times Ls \times Lv + S \times Lv + V,其中 L_s 和 L_v 分别是 S 和 V 的划分数量.由于我们设定 L_s = 2, L_v = 3,因此上式可简化表示为L = 6H + 3S + V.这样一来，在这个一维向量中就分布着H,S和V三个分量的信息.其中L的取值范围为[0~35]（包含端点），这意味着可以通过对量化后的图像进行统计分析得到36段的一维直方图.

4.6.3提取颜色直方图

颜色直方图是一种基于数学模型的颜色空间描述工具,它通过统计图像中不同亮度等级像素的数量来表征色彩分布特征。在该模型中,横轴代表亮度等级,纵轴则代表各等级像素出现的数量,从而形成一幅统计图表。由此可见,颜色直方图(color histogram)是最常用的颜色特征表征方法之一。具体而言,设给定图像I具有宽度w和高度h。对于其中任意一个像素点p=(x,y)∈I,令C(p)表示该像素所携带的颜色信息，则定义该像素属于某特定亮度区间C_i的概率为Pr[p∈IC_i] = HC_i(I)/(w×h)，其中HC_i(I)表示该特定区间内所包含的所有 pixels 的数量。为了保证统计结果不受图像尺寸影响而具有尺度不变性,通常会对直方图进行归一化处理：hC_i = Pr[p∈IC_i] = HC_i(I)/(w×h).

常用的颜色直方图有很多。我们在这里用到的为局部直方图。

局部的颜色特征区域的颜色直方图以及区域的颜色分布特征,其中后者则包含了区域的颜色矩（主要涉及均值与方差）以及区域的最大与最小色彩值等信息

Hc(k)= ∑ (x,y)∈R h(C(x,y)) R为图像区域。

由于区域色彩分布具有局部性，在某些情况下会出现一些色彩频率较低的现象。为了使颜色直方图描述更加简洁明了，则需对其进行优化选择。一种基于阈值的颜色集合（color set）的思想是针对单色直方图中的每一个色彩单元k引入阈值T：

bk={ 1 如果≥T 0 其他

显然,bk是否等于1可用来判定区域内的颜色k在处理过程中能否被忽略。若区域内的颜色k所占像素数量少于设定的一个阈值,则该颜色将被排除。这种方法在一定程度上降低了直方图后期索引和匹配所需的工作量

5.讨论

本次课题研究取得了较为令人满意的成果，在获取相关信息的过程中，我们查阅了大量有关图像处理及MATLAB程序的相关资料。经过团队成员之间的分工协作，将整个流程逐一完成了，并最终利用MATLAB程序成功提取了彩色图像的部分特征指标。课题组发现目前项目存在诸多不足之处，在颜色特征提取方面还需要进一步深入研究和完善相关算法以提高项目的整体性能。”

6.结果分析

针对一般尺寸的彩色图像，在进行预处理和分析后能够识别出图片的关键属性如颜色、形状和纹理特征等，并为应用提供了重要的支持作用。
实验结果显示，在开发过程中充分运用了现有的Matlab工具箱。

【参考文献】

[1] 余成波. 数字图像处理及MATLAB实现. 重庆大学出版社. 2003.6 P18 P223

[2] 王洪元. MATLAB语言及其在电子信息工程中的应用. 清华大学出版社. 2004.12

[3] 贺兴华, 周媛媛, 王继阳, 周晖. MATLAB7.x图像处理. 人民邮电出版社. 2006.11

[4] 许飞, 施小红. MATLAB应用图像处理. 西安电子科技大学出版社. 2002.5 P160-161

[5] 巩艳华, 朱爱红, 代凌云. 福建电脑 ( Fujian Computer). 2007年5月

[6] 于铂, 郑丽敏, 田立军. 计算机工程( Computer Engineering). 2006年 03期

[7] 陈丽, 苏海锋, 王岩, 孙玉梅. Computers & Information Technology (Computers & Information Technology). Year Z1 of the year 2006.

[8] 黄志华. 基于彩色图像的植物特征识别与分类模型构建[D]. 中国优秀博硕士论文数据库（博士）. 2006年4月.