图像的特征

本文深入探讨图像特征,包括颜色特征(如颜色直方图、HSV空间),纹理特征(如LBP),形状特征(如Haar-like、SIFT、SURF、HOG)以及空间关系特征,并提及高级特征——深度学习中的CNN特征。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

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

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值