图像的特征

本文主要探讨图像的特征。

1、颜色特征：

基于像素点的特征，对图像或图像区域的方向、大小等变化不敏感，不能很好地捕捉图像对对象的局部特征。常用的颜色特征有RGB、HSV（H为色调Hue，S为饱和度Saturation和明度Value）、HSI（色调、饱和度和亮度Intensity）。针对基于颜色的特征描述，常用的方案有：颜色直方图、主色调、颜色矩、颜色集、聚类、扫描线投影灯。其中，颜色直方图是广泛使用的特征。

颜色直方图中的数值通过统计得到，描述了图像中关于颜色的数量特征，能够反映图像颜色的统计分布和基本色调。对于包含n个像素的图像，可以计算其B（bin）位的直方图，其任意的第b位的直方图计算公式为H(b)=1/n*sum_i(delta_i(b)). 当第i个像素的颜色值等于b时，函数值为1；否则函数值为0。直方图特征只包含了图像中颜色出现的频数，其优点是不受图像旋转、平移变化和尺度变化的影响，缺点是没有表达出颜色空间分布信息。颜色直方图可以基于不同的颜色空间和坐标系，比如RGB空间、HSV空间等等。

上述的颜色量化方法会产生一定的问题，若两幅图像 的颜色直方图形状几乎相同，知识错开了一个bin，这是如果采用L1距离或者欧式距离计算两者的相似度，则会得到很小的相似度值。为了克服该缺点，可以采用马氏距离定义方法，另一种是对颜色直方图事先进行平滑过滤。选择合适的小区间（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，可以忽略一部分小的bin等等，看算法效果而定。

2、纹理特征：是一种全局特征，描述图像的表面性质，但不能反映物体的本质属性。他不是一种像素点的特征，而是在包含多个像素点的区域内进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏见而无法匹配成功。作为一种统计特征，纹理特征具有旋转不变性，且有较强的抗噪性。但图像的分辨率变化时，频率特征偏差较大。

有代表性的纹理特征有：边缘直方图、共生矩阵、局部二值模式（LBP）、小波系数、Gobor小波系数等，其中LBP最具有代表性。可