基于高斯混合模型的图像检索算法研究
基于高斯混合模型的图像背景建模与分割算法研究

基于高斯混合模型的图像背景建模与分割算法研究随着科技的不断进步和发展,计算机视觉技术在现代生活中的应用越来越广泛。
图像背景建模与分割算法是计算机视觉中的重要领域。
其中,基于高斯混合模型的图像背景建模与分割算法因其高精度和高效性而受到广泛关注和应用。
一、图像背景建模的概念和意义图像背景建模是指在图像中将静态背景与动态目标区域进行分离,为目标检测、跟踪和识别等应用提供重要的数据。
现代计算机视觉应用中,图像背景建模的任务变得越来越复杂,但它对于真正理解图像和视频数据依然至关重要。
因此,图像背景建模是一种非常重要的图像处理技术。
二、高斯混合模型的基本原理高斯混合模型是一种经典的概率模型,常用于图像背景建模与分割算法中。
高斯混合模型通过不同高斯分布的加权和来表示图像的背景和目标。
对于图像背景建模而言,背景模型即为高斯混合模型中的背景高斯分布,而目标则表示为混合模型中的非背景高斯混合分布。
三、高斯混合模型在图像背景建模中的应用高斯混合模型被广泛应用于图像背景建模。
通常情况下,背景模型通过对输入图像中的像素进行聚类或者密度估计来计算。
对于高斯分布而言,每个分布对应一个像素点的灰度值。
在计算背景高斯分布的时候,通过对所有像素点的高斯分布的加权和来得到背景模型。
四、高斯混合模型在图像分割中的价值图像分割是计算机视觉技术领域中的重要问题,对于图像分析和计算机视觉应用来说具有重要价值。
而高斯混合模型则可以作为一种有效的图像分割算法。
在图像分割中,高斯混合模型可以用来分离目标物体和背景。
通过利用高斯混合模型中的非背景高斯分布来计算目标的像素值,就可以实现图像分割的任务。
五、总结与展望基于高斯混合模型的图像背景建模与分割算法因其高精度和高效性而成为图像处理领域中的重要技术。
在未来的研究中,我们可以继续探索如何改进高斯混合模型来提高图像分割和背景建模的精度和效率。
同时,应该不断探索更加创新、高效和可靠的图像处理技术,以更好地应对现代生活中的各种挑战。
基于高斯混合模型的图像分割技术研究

基于高斯混合模型的图像分割技术研究随着数字图像处理技术的不断进步,图像分割技术成为一个备受关注的热点问题。
图像分割技术在计算机视觉领域中占据着非常重要的地位。
它是计算机视觉中许多任务的先决条件,例如目标识别、目标跟踪、三维建模等。
然而,由于图像中存在的各种复杂因素,如光照、噪声等,图像分割技术面临的许多挑战。
因此,在这个领域,新的图像分割方法不断涌现。
本文将介绍一种基于高斯混合模型(GMM)的图像分割技术,这种方法在许多实际应用中被广泛使用,并且具有很好的性能。
一、背景图像分割技术是将图像分成若干个互不重叠的区域,每个区域代表着图像中一种不同的语义信息。
在过去的几十年中,图像分割技术已经得到了很大的发展和应用。
基于阈值的分割方法是传统的图像分割方法之一,它是通过确定全局阈值来将图像分割成两个区域(前景和背景)。
但是,这种方法仅适用于背景和前景的对比度较高的情况下。
对于对比度较低的图像,如包含复杂纹理或渐变的图像,这种方法往往会失败。
基于边缘的分割方法是另一种常见的方法,它利用图像的边缘将图像分割成不同的区域。
这种方法对于图像的物体边界比较清晰的情况下效果较好,但如果图像中存在很多边缘或者边缘是非常细的,则分割结果往往不太理想。
二、高斯混合模型GMM 是基于概率模型的一种图像分割方法,它是在每个像素上使用高斯分布函数对图像进行建模。
它假设图像中的每个像素都是由若干个高斯分布函数组成的混合分布,每个高斯分布函数代表一个图像区域。
首先,对图像进行 K 均值聚类,根据聚类结果,将图像的像素划分为 K 个类别。
其次,基于颜色空间中的像素值集合,计算每个像素属于每个类别的概率。
最后,根据像素属于某个类别的概率,将图片像素划分为不同的类别,即不同的图像区域。
三、分割过程对于一个输入的图像,高斯混合模型算法的分割过程如下:1. 对输入的图像进行 K 均值聚类,得到 K 个类别。
2. 对每个类别中的像素,使用高斯分布函数进行建模,得到每个类别的高斯模型。
基于混合高斯过程模型的高光谱图像分类算法

来说, 光谱角度填[(pc a a g apr S M) ] S e rl nl m p e, A N编码匹配【也是一种常用的分类方法. t e 7 J
如前所述,目前主要 的高光 谱分类 算法 来源于传 统的多光谱分类算法.由于高光谱数据 的 高光谱分辨率, 在分类 之前要进行必要的降维. 常用 的降维方法有特征选择和特征提取. 特征选 择是要从现 有的r t 个特征 一, 中直接选 出d x) 个特征使得 可分性判据t , 最大 , 有可能的特 所 征组合方案数为 , 在高光谱影像特征选择 中, 这是一个非常大的数, 因此基于穷举 的最优选 择
收 稿 日期 : 0 91 —4 2 0 —2 1
基金项 目: 国家 自然科学基金(0 7 1 5 18 111 通信作者, — i u ig o g E mal nn d n @mal s g u . uc :l iti h ae .n .n d
30 8
高 校 应 用 数 学 学 报
第 2 卷第 4 5 期
是不现实 的, 人们发展 出一些其他 的特征选择方法如分枝定界法和顺序前进或后退法等.相 比 特征选择, 特征提取 降维方法更为常用, 与特征选择相 比, 特征提取是建立在各光谱波段 问的重 新组合和优化基础上的一种降维方法. 经过特 征提取后 的光 谱特 征空间中, 在 其新的光谱向量 应该是反映特定地物某一性状 的一个 光谱参 量, 后者是有别于其它地物的光谱参量.其概念表 述如下: 使可分性判据 在 取最大 的 目标下, 个原始特征进行变换降维, 对n 即对原始n 维原始特 征空间进行坐标变换 , 再取子空间. 也就是找到一个 映射关系P : . X ÷y, 将原始特征空间映射 到维数降低 了的特征空 间y上去, 如基于主成分分析 的特 征变换 是常用的特征选择方法.在利 用 P A 行 特 征选 择 后 , 于 维 数低 很 多的 主成 分 得 分 向量 集 可 以用KIen 等 分类 方 法 进 行数 C 进 对 n as 据分类. 数值试验部分, 在 本文算法将与前述传统算法进行对 比. 高光 谱遥感数据与 多光谱数据的主要差别在于 由于谱段的加细 每个像元之上不再是仅有 几个离散 的谱段, 而是存 在一条连续 的谱 线, 这为更精细 的像元分类提 供 了更好 的条件 . 我们 将 函数数据 分析(DA _的思想 引进 高光谱数据 的分类 问题, F )] 8 分类对 象变 为像元 的谱 线, 这样 更 有 利 于 利 用 高 光 向 DA 不 同于 传 统 的多 变 量 统计方法, D F A的基本处理对象为离散观测后 隐藏 的曲线 的典型做 法是将离散数据在固定 它 基 ( B sl e F ui 或 Wa e t ) 作展 开 , 过研 究 曲线 间的 关 系对 系 统 的 特 征和 变 化 进 行 如 — i , or r pn e vl 基 下 e 通 刻画和解释 .函数数据分 析的这种全局视角能为传统 的统计 问题提供一种全新 的思路, 同时在 很 多时 候F A能处 理 传 统 的统 计 分 析工 具 不 能 或不 便 处 理 的 问题 . D
基于融合模型的图像检索算法研究

基于融合模型的图像检索算法研究图像检索是计算机视觉领域的重要研究方向之一,其目标是根据用户的查询需求,从大规模图像数据库中检索出与查询图像相似的图像。
近年来,随着深度学习技术的迅速发展和广泛应用,基于深度学习的图像检索算法取得了显著的成果。
然而,由于不同特征在不同方面具有各自独特的优势,在实际应用中单一特征往往难以满足用户需求。
因此,基于融合模型的图像检索算法成为了当前研究热点之一。
基于融合模型的图像检索算法旨在通过综合多种特征来提高检索性能。
传统方法多采用简单线性组合或加权求和等方式进行特征融合,但这种简单粗暴的方法无法充分挖掘各个特征之间相互关联和互补性。
因此,在传统方法基础上提出了更加高级和复杂的融合模型。
首先,在基于融合模型的图像检索算法中,需要选择适当且具有互补性能力强大特征。
常见的特征包括颜色特征、纹理特征、形状特征和深度学习特征等。
颜色特征能够描述图像的颜色分布情况,纹理特征能够描述图像的纹理信息,形状特征能够描述图像的形状轮廓,而深度学习特征则可以学习到更加高级和抽象的图像表示。
通过选择不同类别的特征,可以在一定程度上增加图像检索算法的鲁棒性和准确性。
其次,在选择适当的融合模型时,需要考虑不同特征之间的关联性和互补性。
关联性指不同类别之间存在一定程度上相互关联或相关性,而互补性指不同类别之间存在一定程度上互补或补充关系。
基于这两个原则,在融合模型中常用到的方法包括加权融合、决策级融合、分数级融合等。
加权融合是基于各个类别在检索中所占权重来进行融合。
通过为每个类别分配一个权重,并将各个类别得到的相似度进行加权求和得到最终相似度,从而实现特征融合。
决策级融合是基于决策级别的融合,即在每个类别的相似度计算结果上进行决策,从而得到最终的相似度。
分数级融合是基于分数级别的融合,即将每个类别得到的相似度进行分数化处理,然后将不同类别得到的分数进行加权求和得到最终相似度。
在实际应用中,基于融合模型的图像检索算法还面临一些挑战和问题。
高斯混合模型在图像分割中的应用研究

高斯混合模型在图像分割中的应用研究图像分割是计算机视觉领域中的一个重要研究方向。
它的主要目的是将图像中的像素分为不同的类别或区域,以便对图像进行更进一步的分析和处理。
在图像分割中,高斯混合模型是一个常用的模型之一。
本文将对高斯混合模型在图像分割中的应用进行研究。
一、高斯混合模型介绍高斯混合模型(Gaussian Mixture Model,GMM)是一种用于描述多个随机变量的联合分布的概率模型。
在GMM中,我们假设数据可以由多个高斯分布的线性组合来表示。
每个高斯分布被称为一个“成分”,其具有自己的均值和方差。
GMM在图像分割中的应用主要基于以下思想:假设图像中包含多个不同的物体,每个物体可以看作一个“成分”,而每个像素则可以看作是来自某个物体的一个观测值。
因此,我们可以使用高斯混合模型来对图像进行分割,将像素分为不同的“成分”,从而得到更有用的图像信息。
二、高斯混合模型在图像分割中的具体应用(一)图像分割算法在图像分割算法中,高斯混合模型通常被用来对像素进行聚类。
具体而言,我们假设图像中存在k个不同的物体,每个物体的颜色分布可以用一个高斯混合模型表示。
具体地,对于给定的像素值x,我们假设其来自于高斯混合模型 $G=\{w_i, \mu_i, \Sigma_i\}$,其中$w_i, \mu_i, \Sigma_i$分别表示第i个成分的权重、均值和方差。
每个像素被赋予一个标签,表示其属于哪个成分。
一般情况下,图像分割算法包括以下步骤:初始化成分参数,对每个像素进行标记,对每个成分重新估算参数,重复以上两步直到收敛。
其中,初始化成分参数可以随机进行,对每个像素进行标记可以使用最近邻算法,对每个成分重新估算参数可以使用最大似然估计方法。
(二)前景与背景分割前景与背景分割是图像处理中的一个重要任务。
在前景与背景分割中,我们的目标是将图像中的前景(通常是物体)与背景分开。
这个问题可以看成是在二分类的问题,其中前景和背景分别作为两个类别。
基于混合高斯模型的紫外线图像拟合研究

基于混合高斯模型的紫外线图像拟合研究近年来,随着计算机视觉和图像处理技术的发展,图像拟合在医学、工业、安防等领域中的应用越来越广泛。
其中,通过对紫外线图像进行拟合,可实现对生物组织的检测和监测。
本文就基于混合高斯模型的紫外线图像拟合进行探究。
一、紫外线图像拟合紫外线图像拟合是通过对得到的紫外线图像进行处理,得出目标物体的形状、大小和边缘等特征。
实现紫外线图像拟合主要有如下两种方法:1、基于边缘检测的紫外线图像拟合:该方法通过边缘检测得到目标物体的轮廓,然后进行拟合。
2、基于混合高斯模型的紫外线图像拟合:该方法首先对紫外线图像进行分割,然后采用混合高斯模型对目标进行拟合。
二、混合高斯模型混合高斯模型(Mixture of Gaussian,MOG)是一种常用的图像分割方法,它是一种概率模型,可将图像分解成多个高斯分布的加权和。
在采用MOG进行图像拟合时,应满足如下两个条件:1、进行模型选择,选择最适合的高斯模型;2、确定拟合参数,包括每个高斯分布的权重、均值和方差。
三、基于MOG的紫外线图像拟合采用基于MOG的紫外线图像拟合,需要进行如下步骤:1、采集紫外线图像并进行预处理。
2、对预处理后的紫外线图像进行分离和分割,确定每个像素点的高斯分布权重、均值和方差。
3、利用分离和分割得到的分布参数,对目标进行拟合。
4、通过实验验证拟合效果,并进行进一步处理和改进。
在以上步骤中,模型选择和拟合参数的确定是决定拟合效果的关键。
选择最优的高斯模型可以提高拟合精度,而拟合参数的确定则决定了拟合的准确度和稳定性。
四、拟合效果分析基于MOG的紫外线图像拟合具有高精度、高鲁棒性和高效性等优点,能够更好地表达目标在紫外线下的特征,提高拟合精度和效率。
然而,在实际操作中,由于实验环境、设备和拟合参数等影响因素的存在,可能出现一些影响拟合效果的问题。
针对以上问题,可以通过数据融合、模型改进和性能评估等方法加以改进和完善。
通过数据融合,可对多组紫外线图像进行综合处理,提高对目标的拟合精度和鲁棒性;通过模型改进,可对MOG进行调整和优化,以提高拟合精度和效率;通过性能评估,可对拟合模型和算法进行定量评估和比较,以确定最适合的拟合方法和参数。
基于高斯混合模型的图像分割技术研究

基于高斯混合模型的图像分割技术研究第一章绪论图像分割是计算机视觉领域中的一个重要研究方向,其主要目的是将一张图像分成不同的区域,使得每个区域内的像素具有相同或相似的特征。
在计算机视觉、图像处理、目标检测、医学图像分析等领域中,图像分割是进行高级图像处理的一项重要技术。
本文主要介绍基于高斯混合模型的图像分割技术,探究其在图像分割中的应用。
第二章高斯混合模型高斯混合模型是一种描述概率分布的模型,其可以将一组观测数据拟合成多个高斯分布的加权和,即:$$f(x)=\sum_{i=1}^K w_if_i(x)$$其中,$w_i$为权重,$f_i(x)$为第$i$个高斯分布的概率密度函数。
高斯混合模型可以用来描述各种各样的数据分布,特别是那些不具备明显的数学模型的分布,如图像。
第三章图像分割图像分割是按某种规律将一幅图像分成多个区域,每个区域中的像素具有相同或相似的特征。
图像分割是图像处理中的一项重要任务,可以用于目标检测、图像识别、智能监控等领域。
常用的图像分割算法包括阈值分割、区域分割和基于边缘的分割等。
其中,基于高斯混合模型的图像分割算法是一种常见的方法。
第四章基于高斯混合模型的图像分割算法基于高斯混合模型的图像分割算法主要分为以下几步:1. 初始化高斯混合模型参数:确定高斯分布数目$K$,以及每个高斯分布的均值、协方差矩阵和权重$w_i$。
2. E-step:根据当前的高斯混合模型参数,计算每个像素点$x$属于每个高斯分布的后验概率:$$p_i(x)=\frac{w_if_i(x)}{\sum_{j=1}^K w_jf_j(x)}$$3. M-step:基于当前的后验概率$p_i(x)$估计模型参数:均值、协方差矩阵和权重$w_i$。
4. 重复执行E-step和M-step步骤直至收敛。
5. 利用分割门限将像素点分到不同的高斯分布中,从而实现图像分割。
第五章实验结果及分析本文实现了基于高斯混合模型的图像分割算法,并在几幅测试图像上进行了测试。
基于改进高斯混合模型的运动物体的图像检测

0 引 言
A src:T et d inl a si x r dl G bta t h a io a G us nMit eMO e ( MM)i b i ae ne e igepx lnR oo p c, r t a u s ulbsdo v r s l ie i GB clrsae t y n
whc a soiac rtd t t nrsl , a i a diaio s ete vn bet T ei rvdG i l d cua e ci ut t in s r n nt ni i igojc . h o e MM he t n e e o e sr l g me a n i n d h mo s mp i s
性的 H V 色彩空间对 中心像素和周边像 素构 成的向量进行建模 , S 改善 了原算法的性 能; 利用彩 色分割 算法提取连
通 区域,充分地利用 了运动物体 的彩 色信息,并基 于 P og物体光照模型进行 了阴影抑制 ,提 高了传统 高斯混合 hn
模型检测 的准确性。实验 结果表 明,与传统高斯 混合模型相 比,本算法能更精确地检测 出 动物体 ,对光照变化 运
第3 7卷第 4期
2 1 年 4月 00
光 电工 程
Op o Elc r n cEng n e i g t - e to i i e rn
Vo . 7 No4 1 , . 3 Ap i 2 0 r , 01 l
文章 编号 :10— 0X 2 1)4 0 1~ 7 03 5 1 (0 00 — 180
Ke r s Ga s in mi t r d l HS c l rs a e c l r e me t t n P o g Sl h i gmo e ywo d : u sa xu emo e ; V o o p c ; o o g n a i ; h n ’ i t d l s o g n
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
题。
在 网络 和存 储 技 术 飞 速 发 展 的 今 天 , 多 媒 体 数 据 库 从 检 索 有 用 的信 息 变 得 十 分 重 要 。作 为 多 媒 体 信 息 检 索 中 的一 个 重要 分 支 , 像 检 索 受 到 广 泛 关 注 。 由 于基 于 文 本 图 的 图 像 检 索 其 结 果 不 尽 人 意 , 于 内 容 的 图 像 检 索 基
1 1 基 于 内容 的 图像 检 索 .
网格 的聚 类 算 法 以 及 基 于 模 型 的 聚 类 算 法 等 。各 种 算 法 的代 表 算 法 分 别 为 k men 算 法 、 UR — as C E算 法 、 L Q C I UE 算 法 、T N 算 法 和 E 算 法 。文 献 [ ] 绍 并 分 析 了各 S IG M 5介 种常用聚类算法及其优 缺点和适用范围 。 基 于 混 合 模 型 的 聚 类 算 法 是 以 概 率 统 计 理 论 为 基 础 的一 种 灵 活 有 效 的 聚类 方 法 , 的基 本 框 架 是 有 限混 合 模 它 型, 聚类 的基 本 策 略 是 先 对 数 据 集 进 行 初 始 划 分 , 采 用 再 E 算 法 进 行 模 型 参 数 估 计 , 现 聚 类 结 果 的 优 化 , 后 M 实 最 用 合 适 的方 法 选 出 最 佳 模 型 及 聚 类 数 目。 用 基 于 有 限 混 合 模 型 的方 法 进 行 聚类 分 析 , 以 克 服 一 般 聚 类 算 法 对 数 可 据 集 中 的 噪 声 无 法 建 模 以及 聚 类 数 目难 以 确 定 的 问 题 。 高 斯 混 合 模 型是 我 们 常 用 的一 个 数 学 模 型 。 它 是 单 一 高 斯 概 率 密 度 函数 的延 伸 , 能 够 平 滑 地 近 似 任 意 形 状 的 密 它
法 , 仅 考 虑 到 了 图 像 的 颜 色 特 征 , 且 也 重 视 了 图像 的 不 而 空 间 特 征 。 主要 分 以 下 3步 进 行 : 提 取 每 个 图像 的 每 一 ① 个 像 素 的 特 征 ; 对像 素 的 特 征 矢 量 集 建 立 高 斯 混 合 模 型 ②
征相 结 合 , 用 HS 模 型 对 图 像 进 行 分 割 , 后 根 据 分 先 V 然 割得 到 的 对 象 的颜 色 、 状 和 位 置 信 息 来 计 算 图像 的 相 似 形
征 的 图像 检 索 方 法 等 。颜 色 直 方 图法 通 过 提 取 图 像 的 颜 色 直 方 图并 比较 其 相 似 度 来 判 断 图像 的相 似度 , 而 得 到 从
检 索 结 果 , 方 法 只 考 虑 到 了 图 像 的 颜 色 信 息 , 考 虑 到 该 未 图像 的 空 间 信 息 。累 加 直 方 图 方 法 是 颜 色 直 方 图 方 法 的
度。
12 基 于 有 限 混 合 模 型 的 聚 类 分 析 .
所 谓 聚 类 , 是 按 照 一 定 的标 准 将 事 物 进 行 区 分 和 分 就
类 的 过 程 。这 一 过 程 是 无 监 督 的 , 在 这一 过 程 中没 有 任 即 何关 于 类 分 的 先 验 知 识 , 靠 事 物 间 的 相 似 性 作 为 划 分 类 仅 的 准 则 。聚 类 分 析 则 是 指 用 数 学 的 方 法 研 究 和 处 理 给 定 对 象 的 分 类 。 聚类 分 析 是 一 个 将 数 据 集 划 分 为 若 干 簇 的 过 程 , 将 相 似 度 较 高 的数 据 对 象 聚 为 一 个 簇 , 将 相 似 它 而 度 较 低 的数 据 对 象 区 分 开 。为 了 实 现 对 数 据 对 象 的 聚 类 , 人 们 提 出 了很 多 种 不 同 的 算 法 , 要 可 以分 为 以 下 几 种 : 主
中 图分 类 号 : P 9 . 1 T 3 14
文献标识码 : A
文 章 编 号 :6 27 0 ( 0 1 0—0 80 1 7-8 0 2 1 )Байду номын сангаас40 4—3 划 分 聚 类 算 法 、 次 聚类 算 法 、 于密 度 的 聚 类 算 法 、 于 层 基 基
1 相 关 研 究
第 1 卷 第4 0 期
2 ll 4 0l ̄ H a
软 件 导 刊
S t a eGui e ofw r d
VOI1 _ ON O. 4
Apr 2Ol . l
基 于 高 斯 混 合 模 型 的 图像 检 索 算 法 研 究
肖 维
( 中北 大 学 理 学 院数 学 系, 西 太原 0 0 5 ) 山 3 0 1
一
种 改 进 , 用 累 加 方 式 来 增 强 颜 色 直 方 图 的 鲁 棒 性 。基 它 于颜 色 一 空 间 特 征 的 图 像 检 索 方 法 将 颜 色 特 征 与 空 间 特
2 基 于 高 斯 混 合 模 型 聚 类 的 图 像 检 索 算 法
本 文 提 出 一 种 基 于 高 斯 混 合 模 型 聚 类 的 图像 检 索 方
的 混合 模 型 参 数 集 作 为 数 据 集 , 基 于 高斯 混 合 模 型 的 聚 类 算 法 进 行 聚 类 。 最 后 输 出检 索 例 图 所 在 的 类 , 得 到 检 用 即
索结果。
关键词 : 图像 处理 ; 于 内容的图像检 索; 基 混合模型 ; 聚类 ; M 算法 E
摘 要 : 通过研 究聚类算法在 图像 处理上 的应用 , 出了一种基 于 高斯 混合 模型聚 类的 图像检 索 方法。该检 索方 法 提
首先 提 取 每 幅 图像 的 特 征 , 以特 征 值 为数 据 集 建 立 高 斯 混 合 模 型 , 到 所 有 图像 的 高斯 混 合 模 型 。再 以 所 有 图像 并 得
( I 成 为 近期 图像 检 索 领 域 的 主 流 方 向 。 它 根 据 图 像 CB R) 的语 义 特 征 ( 图 像 的 颜 色 、 理 、 局 等 ) 图 像 数 据 库 如 纹 布 从
中 检 索 出 具 有 相 似 特 性 的 其 它 图像 。常 见 的 C I 方 法 BR
有 颜 色 直 方 图 方 法 , 加 直 方 图 方 法 , 于 颜 色 一 空 间 特 累 基