常用的圖像特征有顏色特征、紋理特征、形狀特征、空間關(guān)系特征。
一 顏色特征
（一）特點(diǎn)：顏色特征是一種全局特征,描 述了圖像或圖像區(qū)域所對(duì)應(yīng)的景物的表面性質(zhì)。一般顏色特征是基于像素點(diǎn)的特征，此時(shí)所有屬于圖像或圖像區(qū)域的像素都有各自的貢獻(xiàn)。由于顏色對(duì)圖像或圖像區(qū) 域的方向、大小等變化不敏感，所以顏色特征不能很好地捕捉圖像中對(duì)象的局部特征。另外，僅使用顏色特征查詢(xún)時(shí)，如果數(shù)據(jù)庫(kù)很大，常會(huì)將許多不需要的圖像也 檢索出來(lái)。顏色直方圖是最常用的表達(dá)顏色特征的方法，其優(yōu)點(diǎn)是不受圖像旋轉(zhuǎn)和平移變化的影響，進(jìn)一步借助歸一化還可不受圖像尺度變化的影響，基缺點(diǎn)是沒(méi)有 表達(dá)出顏色空間分布的信息。
（二）常用的特征提取與匹配方法
（1） 顏色直方圖
其 優(yōu)點(diǎn)在于：它能簡(jiǎn)單描述一幅圖像中顏色的全局分布，即不同色彩在整幅圖像中所占的比例，特別適用于描述那些難以自動(dòng)分割的圖像和不需要考慮物體空間位置的 圖像。其缺點(diǎn)在于：它無(wú)法描述圖像中顏色的局部分布及每種色彩所處的空間位置，即無(wú)法描述圖像中的某一具體的對(duì)象或物體。
最常用的顏色空間：RGB顏色空間、HSV顏色空間。
顏色直方圖特征匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。
（2） 顏色集
顏色直方圖法是一種全局顏色特征提取與匹配方法，無(wú)法區(qū)分局部顏色信息。顏色集是對(duì)顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉(zhuǎn)化成視覺(jué)均衡的顏色空間（如 HSV 空間），并將顏色空間量化成若干個(gè)柄。然后，用色彩自動(dòng)分割技術(shù)將圖像分為若干區(qū)域，每個(gè)區(qū)域用量化顏色空間的某個(gè)顏色分量來(lái)索引，從而將圖像表達(dá)為一個(gè)二進(jìn)制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區(qū)域的空間關(guān)系
（3） 顏色矩
這種方法的數(shù)學(xué)基礎(chǔ)在于：圖像中任何的顏色分布均可以用它的矩來(lái)表示。此外，由于顏色分布信息主要集中在低階矩中，因此，僅采用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達(dá)圖像的顏色分布。
（4） 顏色聚合向量
其核心思想是：將屬于直方圖每一個(gè)柄的像素分成兩部分，如果該柄內(nèi)的某些像素所占據(jù)的連續(xù)區(qū)域的面積大于給定的閾值，則該區(qū)域內(nèi)的像素作為聚合像素，否則作為非聚合像素。
（5） 顏色相關(guān)圖
二 紋理特征
（一） 特點(diǎn)：紋理特征也是一種全局特征，它也描述了圖像或圖像區(qū)域所對(duì)應(yīng)景物的表面性質(zhì)。但由于紋理只是一種物體表面的特性，并不能完全反映出物體的本質(zhì)屬性， 所以?xún)H僅利用紋理特征是無(wú)法獲得高層次圖像內(nèi)容的。與顏色特征不同，紋理特征不是基于像素點(diǎn)的特征，它需要在包含多個(gè)像素點(diǎn)的區(qū)域中進(jìn)行統(tǒng)計(jì)計(jì)算。在模式 匹配中，這種區(qū)域性的特征具有較大的優(yōu)越性，不會(huì)由于局部的偏差而無(wú)法匹配成功。作為一種統(tǒng)計(jì)特征，紋理特征常具有旋轉(zhuǎn)不變性，并且對(duì)于噪聲有較強(qiáng)的抵抗 能力。但是，紋理特征也有其缺點(diǎn)，一個(gè)很明顯的缺點(diǎn)是當(dāng)圖像的分辨率變化的時(shí)候，所計(jì)算出來(lái)的紋理可能會(huì)有較大偏差。另外，由于有可能受到光照、反射情況 的影響，從2-D圖像中反映出來(lái)的紋理不一定是3-D物體表面真實(shí)的紋理。
例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會(huì)導(dǎo)致紋理的變化。由于這些不是物體本身的特性，因而將紋理信息應(yīng)用于檢索時(shí)，有時(shí)這些虛假的紋理會(huì)對(duì)檢索造成“誤導(dǎo)”。
在檢索具有粗細(xì)、疏密等方面較大差別的紋理圖像時(shí)，利用紋理特征是一種有效的方法。但當(dāng)紋理之間的粗細(xì)、疏密等易于分辨的信息之間相差不大的時(shí)候，通常的紋理特征很難準(zhǔn)確地反映出人的視覺(jué)感覺(jué)不同的紋理之間的差別。
（二）常用的特征提取與匹配方法
紋理特征描述方法分類(lèi)
（1）統(tǒng)計(jì)方法統(tǒng)計(jì)方法的典型代表是一種稱(chēng)為灰度共生矩陣的紋理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統(tǒng)計(jì)特征基礎(chǔ)上，通過(guò)實(shí)驗(yàn)，得出灰度共生矩陣的四個(gè)關(guān)鍵特征：能量、慣量、熵和相關(guān)性。統(tǒng)計(jì)方法中另一種典型方法，則是從圖像的自相關(guān)函數(shù)（即圖像的能量譜函數(shù)）提取紋理特征，即通過(guò)對(duì)圖像的能量譜函數(shù)的計(jì)算，提取紋理的粗細(xì)度及方向性等特征參數(shù)
（2）幾何法
所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎(chǔ)上的一種紋理特征分析方法。紋理基元理論認(rèn)為，復(fù)雜的紋理可以由若干簡(jiǎn)單的紋理基元以一定的有規(guī)律的形式重復(fù)排列構(gòu)成。在幾何法中，比較有影響的算法有兩種：Voronio 棋盤(pán)格特征法和結(jié)構(gòu)法。
（3）模型法
模型法以圖像的構(gòu)造模型為基礎(chǔ)，采用模型的參數(shù)作為紋理特征。典型的方法是隨機(jī)場(chǎng)模型法，如馬爾可夫（Markov）隨機(jī)場(chǎng)（MRF）模型法和 Gibbs 隨機(jī)場(chǎng)模型法
（4）信號(hào)處理法
紋理特征的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特征、自回歸紋理模型、小波變換等。
灰度共生矩陣特征提取與匹配主要依賴(lài)于能量、慣量、熵和相關(guān)性四個(gè)參數(shù)。Tamura 紋理特征基于人類(lèi)對(duì)紋理的視覺(jué)感知心理學(xué)研究，提出6種屬性，即：粗糙度、對(duì)比度、方向度、線像度、規(guī)整度和粗略度。自回歸紋理模型（simultaneous auto-regressive, SAR）是馬爾可夫隨機(jī)場(chǎng)（MRF）模型的一種應(yīng)用實(shí)例。
三 形狀特征
（一） 特點(diǎn)：各種基于形狀特征的檢索方法都可以比較有效地利用圖像中感興趣的目標(biāo)來(lái)進(jìn)行檢索，但它們也有一些共同的問(wèn)題，包括：①目前基于形狀的檢索方法還缺乏 比較完善的數(shù)學(xué)模型；②如果目標(biāo)有變形時(shí)檢索結(jié)果往往不太可靠；③許多形狀特征僅描述了目標(biāo)局部的性質(zhì)，要全面描述目標(biāo)常對(duì)計(jì)算時(shí)間和存儲(chǔ)量有較高的要 求；④許多形狀特征所反映的目標(biāo)形狀信息與人的直觀感覺(jué)不完全一致，或者說(shuō)，特征空間的相似性與人視覺(jué)系統(tǒng)感受到的相似性有差別。另外，從 2-D 圖像中表現(xiàn)的 3-D 物體實(shí)際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來(lái)的形狀常不是 3-D 物體真實(shí)的形狀，由于視點(diǎn)的變化，可能會(huì)產(chǎn)生各種失真。
（二）常用的特征提取與匹配方法
Ⅰ幾種典型的形狀特征描述方法
通常情況下，形狀特征有兩類(lèi)表示方法，一類(lèi)是輪廓特征，另一類(lèi)是區(qū)域特征。圖像的輪廓特征主要針對(duì)物體的外邊界，而圖像的區(qū)域特征則關(guān)系到整個(gè)形狀區(qū)域。
幾種典型的形狀特征描述方法：
（1）邊界特征法該方法通過(guò)對(duì)邊界特征的描述來(lái)獲取圖像的形狀參數(shù)。其中Hough 變換檢測(cè)平行直線方法和邊界方向直方圖方法是經(jīng)典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來(lái)組成區(qū)域封閉邊界的一種方法，其基本思想是點(diǎn)-線的對(duì)偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然后，做出關(guān)于邊緣大小和方向的直方圖，通常的方法是構(gòu)造圖像灰度梯度方向矩陣。
（2）傅里葉形狀描述符法
傅里葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作為形狀描述，利用區(qū)域邊界的封閉性和周期性，將二維問(wèn)題轉(zhuǎn)化為一維問(wèn)題。
由邊界點(diǎn)導(dǎo)出三種形狀表達(dá)，分別是曲率函數(shù)、質(zhì)心距離、復(fù)坐標(biāo)函數(shù)。
（3）幾何參數(shù)法
形狀的表達(dá)和匹配采用更為簡(jiǎn)單的區(qū)域特征描述方法，例如采用有關(guān)形狀定量測(cè)度（如矩、面積、周長(zhǎng)等）的形狀參數(shù)法（shape factor）。在 QBIC 系統(tǒng)中，便是利用圓度、偏心率、主軸方向和代數(shù)不變矩等幾何參數(shù)，進(jìn)行基于形狀特征的圖像檢索。
需要說(shuō)明的是，形狀參數(shù)的提取，必須以圖像處理及圖像分割為前提，參數(shù)的準(zhǔn)確性必然受到分割效果的影響，對(duì)分割效果很差的圖像，形狀參數(shù)甚至無(wú)法提取。
（4）形狀不變矩法
利用目標(biāo)所占區(qū)域的矩作為形狀描述參數(shù)。
（5）其它方法
近年來(lái)，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method 或 FEM）、旋轉(zhuǎn)函數(shù)（Turning Function）和小波描述符（Wavelet Descriptor）等方法。
Ⅱ 基于小波和相對(duì)矩的形狀特征提取與匹配
該方法先用小波變換模極大值得到多尺度邊緣圖像，然后計(jì)算每一尺度的 7個(gè)不變矩，再轉(zhuǎn)化為 10 個(gè)相對(duì)矩，將所有尺度上的相對(duì)矩作為圖像特征向量，從而統(tǒng)一了區(qū)域和封閉、不封閉結(jié)構(gòu)。
四 空間關(guān)系特征
（一）特點(diǎn)：所謂空間關(guān)系，是指圖像中分割出來(lái)的多個(gè)目標(biāo)之間的相互的空間位置或相對(duì)方向關(guān)系，這些關(guān)系也可分為連接/鄰接關(guān)系、交疊/重疊關(guān)系和包含/包 容關(guān)系等。通?？臻g位置信息可以分為兩類(lèi)：相對(duì)空間位置信息和絕對(duì)空間位置信息。前一種關(guān)系強(qiáng)調(diào)的是目標(biāo)之間的相對(duì)情況，如上下左右關(guān)系等，后一種關(guān)系強(qiáng) 調(diào)的是目標(biāo)之間的距離大小以及方位。顯而易見(jiàn)，由絕對(duì)空間位置可推出相對(duì)空間位置，但表達(dá)相對(duì)空間位置信息常比較簡(jiǎn)單。
空間關(guān)系特征的使用可加強(qiáng)對(duì)圖像內(nèi)容的描述區(qū)分能力，但空間關(guān)系特征常對(duì)圖像或目標(biāo)的旋轉(zhuǎn)、反轉(zhuǎn)、尺度變化等比較敏感。另外，實(shí)際應(yīng)用中，僅僅利用空間信息往往是不夠的，不能有效準(zhǔn)確地表達(dá)場(chǎng)景信息。為了檢索，除使用空間關(guān)系特征外，還需要其它特征來(lái)配合。
（二）常用的特征提取與匹配方法
提取圖像空間關(guān)系特征可以有兩種方法：一種方法是首先對(duì)圖像進(jìn)行自動(dòng)分割，劃分出圖像中所包含的對(duì)象或顏色區(qū)域，然后根據(jù)這些區(qū)域提取圖像特征，并建立索引；另一種方法則簡(jiǎn)單地將圖像均勻地劃分為若干規(guī)則子塊，然后對(duì)每個(gè)圖像子塊提取特征，并建立索引。
引用通告
聯(lián)系客服
