一、顏色特征1顏色空間RGB顏色空間是一種根據(jù)人眼對不同波長的紅、綠、藍光做出錐狀體細(xì)胞的敏感度描述的基礎(chǔ)彩色模式R、G、B分別為圖像紅、綠、藍的亮度值大小限定在0?1或者在0?255。HIS顏色空間是指顏色的色調(diào)、亮度和飽和度,H表示色調(diào)，描述顏色的屬性，如黃、紅、綠,用角度0?360度來表示;S是飽和度，即純色程度的量度，反映彩色的濃淡，如深紅、淺紅，大小限定在0?1;I是亮度，反映可見光對人眼刺激的程度，它表征彩色各波長的總能量大小限定在0?1。HSV顏色模型HSV顏色模型依據(jù)人類對于色澤、明暗和色調(diào)的直觀感覺來定義顏色,其中H(Hue)代表色度,S(Saturation)代表色飽和度,V(Value代表亮度,該顏色系統(tǒng)比RGB系統(tǒng)更接近于人們的經(jīng)驗和對彩色的感知,因而被廣泛應(yīng)用于計算機視覺領(lǐng)域。已知RGB顏色模型，令MAX=max{R,G,B},MIN=min{R,G,B},分別為RGB顏色模型中R、G、B三分量的最大和最小值,RGB顏色模型到HSV顏色模型的轉(zhuǎn)換公式為：S=(MAX-MIN)/MAXH=60*(G-B)/(MAX-MIN)R=MAX120+60*(B-R)/(MAX-MIN)G=MAX240+60*(R-G)/(MAX-MIN)B=MAXV=MAX2顏色特征提取算法一般直方圖法顏色直方圖是最基本的顏色特征表示方法，它反映的是圖像中顏色的組成分布即出現(xiàn)了哪些顏色以及各種顏色出現(xiàn)的概率。其函數(shù)表達式如下：H(k)=nk/N(k=0,1,「L-1) (1)其中,k代表圖像的特征取值,L是特征可取值的個數(shù),nk是圖像中具有特征值為k的象素的個數(shù),N是圖像象素的總數(shù)。由上式可見，顏色直方圖所描述的是不同色彩在整幅圖像中所占的比例，無法描述圖像中的對象或物體，但是由于直方圖相對于圖像以觀察軸為軸心的旋轉(zhuǎn)以及幅度不大的平移和縮放等幾何變換是不敏感的，而且對于圖像質(zhì)量的變化也不甚敏感,所以它特別適合描述那些難以進行自動分割的圖像和不需要考慮物體空間位置的圖像。由于計算機本身固有的量化缺陷，這種直方圖法忽略了顏色的相似性，人們對這種算法進行改進，產(chǎn)生了全局累加直方圖法和局部累加直方圖法。全局累加直方圖法全局累加直方圖是以顏色值作為橫坐標(biāo)，縱坐標(biāo)為顏色累加出現(xiàn)的頻數(shù),因此圖像的累加直方空間H定義為：

H={<砥J萬kJ一河勺|…瓦qJ>|0M見公|M1}其口]內(nèi)“/I=八2^'表示。到Ck種顏色的像素的累加頻數(shù)工表示量化得到的顏色數(shù)。在全局累加直方圖中,相鄰顏色在頻數(shù)上是相關(guān)的。相比一般直方圖，它的存儲量和計算量有很小的增加，但是它消除了一般直方圖中常見的零值以及一般直方圖量化過細(xì)過粗檢索效果都會下降的缺陷。局部累加直方圖法把色度沿分布軸分成若干個局部區(qū)間的方法稱為局部累加直方圖法。它的基本原理是:色度軸上各種顏色的分布是連續(xù)過渡的，各顏色區(qū)之間不存在截然不同的界限。先采用60°為區(qū)間的長度，將H軸分成6個不重疊的局部區(qū)間[60k,60(k+1)],k=0,1,?,5，計算出每個局部區(qū)間的累加直方圖，再改變區(qū)間劃分為[30+60k,(30+60(k+1))mod360],k=0,1,?3并計算出這時每個局部區(qū)間的累加直方圖，最后將這兩次計算的累加直方圖逐項相加取平均,作為最終的特征直方圖用于檢索。顏色參量的統(tǒng)計特征法由于直方圖法在顏色的表達中沒有考慮到人眼的視覺感受，忽略顏色參量含義及其對圖像像素間關(guān)系，為彌補直方圖法的不足，提取顏色特征對顏色參量進行分析、統(tǒng)計、處理，在應(yīng)用中表現(xiàn)出好的效果。RGB和HIS顏色空間在顏色參量的統(tǒng)計特征中具有重要的作用。在實際的圖像處理中,RGB顏色系統(tǒng)的r,g,b值計算公式如下：TOC\o"1-5"\h\zr=R/(R+G+B),g=G/(R+G+B),b=B/(R+G+B) (3)從上面的公式(3)可以推斷出RGB顏色系統(tǒng)的r,g,b只是比值與光照強度變化無關(guān)。由RGB向HIS空間進行轉(zhuǎn)換，可以得到HIS值，轉(zhuǎn)換方法如下：Max=max(R,G,B),Min=min(R,G,B) (4)I=0.229R+0.587G+0.114B (5)?0. ifMax=0(Max-Min)Max,ifMax=RandG>B

ifMax^RandG<BifMax=RandG>B

ifMax^RandG<B60[2+(B-R)]/(Max-Min) ifMax=GI60[4-(R-G)]/(Max-Mui) else其中,R,G,B,S,I￡[0,1],H￡[0,360]。從公式(7)可以看出,HIS顏色空間的優(yōu)勢在于其本身的顏色參量間相關(guān)性差，尤其參量I和參量H、S之間，具有對外界環(huán)境的惰性特征,我們可以只對S和H進行分析來消除光照對采樣圖像的影響。另一方面,HSI顏色空間與人眼的視覺特性比較接近顏色參量較好的表達了人眼視

覺的特點。顏色的一階矩(mean)巴和二階矩(variance)。.⑻(9)1⑻(9)30 伊12"一K -|J.%= F*-口”■(i=1T2T3J/-L式中N 圖像像素數(shù)2.6基于小波的分塊圖像顏色特征提取基于分塊的HSI分量低頻能量的顏色特征提取方法，即首先根據(jù)人眼對圖像中心區(qū)域關(guān)注程度較高的特點對圖像進行區(qū)域分塊，然后對每一塊HSI分量的小波分解低頻子帶的顏色特征進行提取，并通過對不同區(qū)域分塊顏色特征的加權(quán)獲得圖像的顏色特征圖像的分塊加權(quán)策略根據(jù)HVS特性，一幅圖像的中心區(qū)域通常更會引起人眼的注意這樣為了突出圖像中心區(qū)域特征的重要性，我們首先對圖像進行非均勻分塊(參見圖1)，設(shè)圖像的大小為MXN,其中標(biāo)注為1的區(qū)域大小為(2M/3)X(2N/3)，標(biāo)注為2?5的區(qū)域其大小為(M/6)X(N/6)，標(biāo)注為6、7區(qū)域的大小為(M/6)X(2N/3)，標(biāo)注為8、9區(qū)域的大小為(2M/3)X(N/6).對每一分塊圖像的顏色特征采用類似標(biāo)準(zhǔn)正態(tài)分布函數(shù)e(X)=e-xA2/2(xN0)作為權(quán)值對其加權(quán)處理(參見圖2)，其中軸表示圖像中的象素點距離圖像塊中心點的距離，原點對應(yīng)原圖像中心點,1對應(yīng)圖像頂點距離中心點的距離，@(x)為對應(yīng)點x的特征權(quán)值.這樣，對圖像中不同塊的顏色特征采用不同的加權(quán)特征處理，對于原圖像中心區(qū)域塊的特征，其權(quán)值較大一些，而對圖像邊緣區(qū)域塊的權(quán)值相對要小一些，突出了圖像中心區(qū)域顏色特征的作用.圖1圖像分塊圖1圖像分塊Fig,IImagepartitionFig.圖像分塊顏色恃征加權(quán)函數(shù)2Weightfunctionofcolorfeature基于小波變換的顏色特征在進行圖像檢索時，為了準(zhǔn)確提取表征原始圖像的顏色信息，所選擇的顏色空間應(yīng)盡可能符合HVS對色彩的感知特性，這里采用HSI作為顏色空間.對于一幅圖像，在圖像的小波多尺度表示方法中，圖像的主要信息都集中在低頻子帶中，包括圖像的顏色、形狀等多種特征;而圖像的細(xì)節(jié)信息主要集中在中高頻部分.此種顏色特征從低頻子帶中提取，從而大大節(jié)省了圖像顏色特征的計算時間.對圖像每一分塊的H、S、I分量進行一級小波分解,分別提取其低頻子帶的平均能量作為顏色特征,具體計算公式如下：4f=——^I，川fII 艮\%=-7~~*門E￡IS朗"/I，A=1,2a…,93,二^^盥品3?其中，戶/。酉第k（k=l,2,”⑼塊（參見圖1）低頻子帶的大小,S出（i.j）、（i.」）和八（i,j）分別為H、S.I分量第k塊低頻子帶的系數(shù).這樣對圖像每一分塊均可獲得如下的顏色特征向量：/⑺=（E凡E皚,Etf）.k=1.2r....9圖像顏色特征的提取算法Step1.對于圖像的第k（k=1,2,?,9）個分塊，分別對H、S、I分量進行一級小波分解,得到第k塊的顏色特征向量：F（k）=（EkH,EkS,Ekl）,k=12,…，9Step2.綜合各分塊的特征向量，獲得整幅圖像的顏色特征向量:F=（f（i）,f（2），…,f（9））Step3.設(shè)圖像的中心坐標(biāo)（即中間1塊的中心坐標(biāo)）為（x0,y0）,計算第k塊的中心坐標(biāo)（xk,yk）與圖像中心坐標(biāo)的距離：X— —（凡—]j,（k=1,2……9）Step4.確定第k個分塊的加1：的=『xcp（xj,（k-L2:..9）Step5,綜合各分塊的加權(quán)特征向量，最后打獲得整幅圖像的加權(quán)顏色特征句量:FF=（F⑴-F⑵一…F*2.6.4相似度計算設(shè)FFp-（F，，F(xiàn)⑵p一…-F?）和FFq=（F⑴q,F⑵q,」」⑼q）分別為圖像p和q的綜合加權(quán)顏色特征向量，那么兩幅圖像的相似度距離為：其口；DfF'，）p. ）-M——+%任%——工+能任，—為兩圖像第［塊的距離，（￡F旺，,網(wǎng)）、（z％,E%，爐甲）分別為兩圖像第“1=1",?,9）塊的特征向量;口1q2母3為H、S、I各分量的權(quán)重，考慮到由二人眼對色調(diào)最為敏感:本文選取口1=0.6ra2=a3=0.2該參數(shù)也可通過試驗統(tǒng)十獲得.二、紋理特征.紋理定義1）在鄰近的像素點之間存在著亮度層次上的有意義的變化，正是由于這些變化圖像中才展現(xiàn)出各種各樣的紋理.2）紋理是圖像區(qū)域的一個屬性，一個像素點的紋理是沒有意義的.因此，紋理涉及到上下文，與一個空間鄰居關(guān)系內(nèi)的像素的灰度值有關(guān)，換句話說，紋理跟圖像像素灰度值的空間分布有關(guān).這個空間關(guān)系的大小取決于紋理的類型，或者定義紋理的基元的大小.3）紋理是一個在某種空間尺度大于圖像分辨率下的同質(zhì)（homogeneous）屬性一些研究人員以人的視覺系統(tǒng)來描述紋理:紋理沒有始終如一的亮度，但仍然可以被人像同質(zhì)區(qū)域那樣所觀察到.4）圖像紋理在不同尺度和不同分辨率下都能被感知.例如，考慮一幅磚墻所表示的紋理.在一個粗糙的分辨率下，所觀察到的紋理是由墻上個體的磚塊所形成，而磚塊內(nèi)部的細(xì)節(jié)會丟失;在一個高的分辨率下，僅有少量的磚塊在視野范圍以內(nèi)，觀察到的紋理會顯示出磚塊的細(xì)節(jié).在不同的距離和不同的視覺注意程度下，紋理區(qū)域都會給出不同的解釋.在一個正常注意力和標(biāo)準(zhǔn)距離下，它給出了用來表征特定紋理的宏觀規(guī)則性的概念.當(dāng)近距離非常仔細(xì)地觀察時，可以注意到一些同質(zhì)區(qū)域和邊，它們有時候會構(gòu)成紋理素（texels）最后，紋理是依賴于尺度的.當(dāng)一個區(qū)域內(nèi)基元對象的數(shù)目足夠大時才會被感知為紋理.如果僅有少量的基元數(shù)目，那么會被觀察為一組可數(shù)的對象而不是一幅紋理圖像.紋理分析應(yīng)用紋理分析主要有四個研究方向:紋理分類、紋理分割、紋理檢索以及紋理形狀抽取.紋理分類的研究問題是從一個給定紋理類別中識別出給定紋理區(qū)域（紋理圖像）.相對于紋理分類中一個均一紋理區(qū)域的類別可以通過從該區(qū)域中計算出的紋理特征所確定，紋理分割關(guān)注自動確定一幅紋理圖像中不同紋理區(qū)域的邊界，.紋理檢索是研究關(guān)于利用紋理相似度進行圖像檢索。.紋理特征提取方法大致歸為四大類:統(tǒng)計分析方法，幾何特征方法，信號處理方法及關(guān)鍵點方法。其中統(tǒng)計分析方法、幾何特征方法和信號處理方法在紋理分析中因為提出較早，所以影響很大。關(guān)鍵點方法產(chǎn)生較晚，但是由于紋理特征的魯棒性，有很大的發(fā)展空間統(tǒng)計分析方法統(tǒng)計分析紋理描述方法是常用的紋理分析方法，也是紋理研究最多最早的一類方法.統(tǒng)計分析方法通過統(tǒng)計圖像的空間頻率、邊界頻率以及空間灰度依賴關(guān)系等來分析紋理一般來講，紋理的細(xì)致和粗糙程度與空間頻率有關(guān).細(xì)致的紋理具有高的空間頻率，例如布匹的紋理是非常細(xì)致的紋理，其基元較小，因而空間頻率較高;低的空間頻率常常與粗糙的紋理相關(guān)，比如大理石紋理一般是粗糙的紋理，其基元較大，具有低的空間頻率.因此，我們可以通過度量空間頻率來描述紋理.除了空間頻率以外，每單位面積邊界數(shù)也是度量紋理的細(xì)致和粗糙程度的另外一種統(tǒng)計方法.邊界頻率越高說明紋理越精細(xì)，相反，低的邊界頻率與粗糙的紋理息息相關(guān).此外，統(tǒng)計分析方法還從描述空間灰度依賴關(guān)系的角度出發(fā)來分析和描述圖像紋理.常用的統(tǒng)計紋理分析方法有，自相關(guān)函數(shù)(AutocorrelationFeatures)邊界頻率(EdgeFrequency)，空間灰度依賴矩陣(theSpatialGreyLevelDependenceMatrix,SGLDM)等.相對于結(jié)構(gòu)分析方法，統(tǒng)計分析方法并不刻意去精確描述紋理的結(jié)構(gòu).從統(tǒng)計學(xué)的角度來看，紋理圖像是一些復(fù)雜的模式，可以通過獲得的統(tǒng)計特征集來描述這些模式自相關(guān)函數(shù)自相關(guān)函數(shù)(AutocorrelationFeatures}ACF)就是一種常用的空間頻率紋理描述方法在這個方法中，紋理的空間組織用評價基元間線性空間關(guān)系的相關(guān)系數(shù)來描述啟相關(guān)函數(shù)是用來度量在給定一個位移下的紋理與原來位置的紋理的相似程度.如果在給定方向下，自相關(guān)值下降的越快，那么移動后的紋理與原來的紋理就越不相關(guān)，也就是移動后的紋理與原來的紋理越不相似，這說明紋理的基元就很小;反之，如果自相關(guān)值下降的越慢，那么移動后的紋理與原來的紋理就越相關(guān)，也就是移動后的紋理與原來的紋理越相似,紋理的基元就越大.如果紋理基元較大，當(dāng)距離增加時，自相關(guān)函數(shù)的值就會緩慢的減小，然而如果紋理由小基元構(gòu)成，它就會很快的減小.如果紋理的基元具有周期性，那么自相關(guān)函數(shù)就會隨著距離而周期地變化.圖像函數(shù)的自相關(guān)函數(shù)可定義如下：LL +、.廿+丁)血加P(工y)「,浦”,' - U) _(4-1--1yI)匚匚「伽向血出：其中是位移參數(shù)，IMv)為圖像函數(shù)在(佻v)的灰度值，￡工和工…為圖像的維數(shù)，并且在區(qū)域。三335,口寫中寫與以外，圖像的灰度值為零.自相關(guān)函數(shù)紋理分析方法通過計算圖像紋理的自相關(guān)系數(shù)來描述紋理，紋理的自相關(guān)系數(shù)的變化趨勢反映了紋理的粗細(xì)程度，然而，對于同樣粗糙(細(xì)致)但完全不同的兩種紋理，它們的自相關(guān)系數(shù)很可能比較相近，很難將這兩種紋理區(qū)分開來邊界頻率與自相關(guān)函數(shù)方法中用空間頻率來區(qū)分紋理的粗細(xì)不同，邊界頻率(EdgeFrequency)認(rèn)為紋理可以用每單位面積內(nèi)邊界來區(qū)分紋理.粗糙的紋理由于局部領(lǐng)域內(nèi)的灰度相似，并沒有太大的變化，因而每單位面積內(nèi)的邊界數(shù)會較小;細(xì)致的紋理由于局部鄰域內(nèi)的灰度變化較快，所以每單位面積內(nèi)的邊界數(shù)會較大.對于定義在一個鄰域N內(nèi)的一幅紋理圖像f和每一個距離d,邊界頻率可以計算出一個依賴于距離d的紋理描述函數(shù)E:E(d)=￡ -f(i+diJ)|+l/(*tJ)-/(?-rf*J)l+〃,1)——+孫+ -d)|} (2)圖像區(qū)域的邊界頻率在一定程度上反映了該區(qū)域內(nèi)紋理的粗細(xì)程度，邊界頻率函數(shù)就是從這種思路出發(fā)來描述紋理的，這種紋理分析方法的缺點是雖然邊界頻率能部分反映紋理的微結(jié)構(gòu)信息，但這種描述是粗略的，缺乏微結(jié)構(gòu)形狀方面的信息描述.另外，公式(2)中的邊界頻率函數(shù)對圖像的大小非常敏感，一個改進的辦法是用圖像的大小去歸一化該邊界頻率函數(shù)3.1.3基于一階直方圖的統(tǒng)計方法灰度直方圖簡明總結(jié)了圖像中的統(tǒng)計信息，其形狀提供了一些圖像信息，例如，窄帶分布的直方圖表明低對比度的圖像.一階直方圖統(tǒng)計方法是最簡單的紋理特征提取方法，利用圖像的直方圖提取諸如均值、方差、能量以及熵等特征來描述紋理如果用p(i),i=1,2,…,G，來表示圖像的一階直方圖，則相關(guān)的紋理特征有：Mean: "=￡件⑶Variance:a2=一/P⑴*=1GSkewness;向3=1=1Kurtosis："4=C7-4或(2— —31=1Energy:E=⑴尸Entropy:H=—^p(i)log2\p(^]i=l3.1.4空間灰度依賴矩陣雖然一階直方圖紋理特征非常簡單，并且易于計算，然而，這類方法描述紋理特征能力很差，并沒有充分利用圖像的紋理信息.通過大量的視覺感覺實驗發(fā)現(xiàn)具有相同二階統(tǒng)計量的一對紋理如果不仔細(xì)審視人眼是不能把它們區(qū)分開來，這一發(fā)現(xiàn)可以用圖4給出的例子得到驗證.圖4(a)中的圖像由一對具有相同二階統(tǒng)計量的紋理區(qū)域所構(gòu)成如果不仔細(xì)觀察，人眼很難將圖像中的不同紋理區(qū)域區(qū)分開來.wms&wms&mswaa5mS?-0-Inmululs攵ulalWEHfDlfal55lns5ln5<llg-alM=-nlt]1Insulsss由olamicIDlns5ssullnslns10Mm球Blrulullnulmulss-IllBDrlnlllHtflln55mwIQm_=iDalsla5ln95ul5lnMtflIDm5lonlsmsullnululslnclalaamInulijlsulsslaalwlllatalln5ul5sulskqlc[D巾耳salsssmssmmemaAmm與Ul￡5u1sulolg_■巾laaEmm55ul1n5laE血■一m曲ID⑶⑸圖4.具有相同二階統(tǒng)計量的紋理對.每幅圖像的上下兩部分是由不同的紋理基元所構(gòu)成.(a)人眼如果不仔細(xì)觀察很難區(qū)分出兩個區(qū)域.(b)人眼可以立即區(qū)分出兩個不同的區(qū)域.實驗結(jié)果表明二階統(tǒng)計量在紋理描述方面非常有用，常用的統(tǒng)計方法是二階統(tǒng)計方法，其中最著名的二階統(tǒng)計方法是空間灰度依賴矩陣(theSpatialGreyLevelDependenceMatrix,SGLDM)(也稱共生矩陣，CooccurrenceMatrix)該方法通過統(tǒng)計滿足特定位移關(guān)系和特定灰度值的像素點對發(fā)生的概率來構(gòu)造矩陣，這些矩陣是對稱的，是鄰近像素之間的角度函數(shù)以及鄰近像素之間的距離的函數(shù)以450為間隔的四個空間灰度依賴矩陣分別定義為：P(ijnd,0°)=^{((k.1),(m3n) 乂(卜區(qū) 牛P(ijA45 ￡乜x4)x(4xLc)二-dg唯小廠-Ql-t尸①」(kJ譏山 七i0」-nd』k]ji』⑴lil.)j；：P(ijhd.135°尸 口)c(I.xZ7)x(77xLc):(k-in=dhl-n=d),ar(l:-ni=-il-n=-d)J(kj)=ij(nw)=j"其中L「口…，，…,N},M和N為圖像的行列數(shù)，*為集合元素數(shù).圖5給出了一個空間灰度依賴矩陣計算過程的例子.圖5(a)為一幅大小為4x4具有4個灰度級的圖像，灰度范圍為0—3.圖5(b)顯示空間灰度依賴矩陣的一般形式.例如，在距離為1的水平矩陣PH的(2,1)位置上的元素是水平相鄰的兩個灰度值為2和1的次數(shù)的總數(shù).在圖5(c)到圖5(f)中，我們計算出了四個距離為1的灰度空間依賴矩陣.

0012#(0T0)#3,1)#(OgD"(1,0)#(1,1)嗣1,2取1,3)"12,厘#(2,1)第2to孤2,。鞏3,由*3,1)對3,圖孤劣。0012Haralick定義了14個能從空間灰度依賴矩陣上計算出的二階統(tǒng)計函數(shù)，其中P(i,j)表示圖像中(i,j)位置的灰度值，w是圖像的寬度，這些統(tǒng)計函數(shù)為：(1)能量(￡記