基于颜色特征的图像提取算法的研究
图像识别中的特征提取及分类算法研究
图像识别中的特征提取及分类算法研究图像识别是计算机视觉领域的重要研究方向之一，广泛应用于人脸识别、物体检测、人工智能等领域。
而在图像识别中，特征提取和分类算法是关键步骤，对于提升图像识别的准确性和效率起着至关重要的作用。
本文将深入研究图像识别中的特征提取及分类算法，并进行详细阐述。
一、特征提取图像识别中的特征提取是将图像中的有用信息抽取出来，为后续的分类任务提供有效的特征表示。
常用的图像特征提取方法有颜色特征、纹理特征和形状特征等。
1. 颜色特征颜色特征是指利用图像中的颜色信息来进行特征表示的方法。
它可以通过统计图像中各个像素的颜色分布情况，或者利用颜色直方图、颜色矩等统计特征来进行描述。
在实际应用中，颜色特征常用于物体识别、图像分类等任务中。
2. 纹理特征纹理特征是指利用图像中的纹理信息来进行特征表示的方法。
纹理可以通过图像局部像素之间的灰度变化来描述，比如利用灰度共生矩阵、小波变换、Gabor滤波器等方法来提取纹理特征。
纹理特征对于纹理类物体的识别和分类具有较好的性能。
3. 形状特征形状特征是指利用图像中物体的外形和轮廓信息来进行特征表示的方法。
它可以通过计算物体的边缘信息、轮廓曲线、面积等参数来进行描述。
形状特征广泛应用于物体检测、目标跟踪等领域。
二、分类算法分类算法是通过对提取到的图像特征进行分析和学习，将图像分为不同的类别。
常用的分类算法包括传统的机器学习算法和深度学习算法。
1. 传统机器学习算法传统机器学习算法是指利用统计学方法和数学模型来进行图像分类的算法。
常见的传统机器学习算法有支持向量机(SVM)、K最近邻(KNN)、决策树等。
这些算法通过对训练样本的特征进行分析和学习，构建分类模型，从而对测试样本进行分类预测。
2. 深度学习算法深度学习算法是近年来发展起来的一种学习方法，它通过构建深层神经网络模型来进行图像分类。
深度学习算法在图像识别任务中取得了显著的突破。
常用的深度学习算法有卷积神经网络(CNN)、循环神经网络(RNN)等。
图像处理中的特征提取与分类算法
图像处理中的特征提取与分类算法图像处理是指通过计算机技术对图像进行分析、处理和识别，是一种辅助人类视觉系统的数字化技术。
在图像处理中，特征提取与分类算法是非常重要的一个环节，它能够从图像中提取出不同的特征，并对这些特征进行分类，从而实现图像的自动化处理和识别。
本文将对图像处理中的特征提取与分类算法进行详细介绍，主要包括特征提取的方法、特征分类的算法、以及在图像处理中的应用。
一、特征提取的方法1.1颜色特征提取颜色是图像中最直观的特征之一，它能够有效地描述图像的内容。
颜色特征提取是通过对图像中的像素点进行颜色分析，从而得到图像的颜色分布信息。
常用的颜色特征提取方法有直方图统计法、颜色矩法和颜色空间转换法等。
直方图统计法是通过统计图像中每种颜色的像素点数量，从而得到图像的颜色直方图。
颜色矩法则是通过对图像的颜色分布进行矩运算，从而得到图像的颜色特征。
颜色空间转换法是将图像从RGB颜色空间转换到其他颜色空间，比如HSV颜色空间，从而得到图像的颜色特征。
1.2纹理特征提取纹理是图像中的一种重要特征，它能够描述图像中不同区域的物体表面特性。
纹理特征提取是通过对图像中的像素点进行纹理分析，从而得到图像的纹理信息。
常用的纹理特征提取方法有灰度共生矩阵法、小波变换法和局部二值模式法等。
灰度共生矩阵法是通过统计图像中不同像素点的灰度级别分布，从而得到图像的灰度共生矩阵，进而得到图像的纹理特征。
小波变换法是通过对图像进行小波变换，从而得到图像的频域信息，进而得到图像的纹理特征。
局部二值模式法是采用局部像素间差异信息作为纹理特征，从而得到图像的纹理特征。
1.3形状特征提取形状是图像中的一种重要特征，它能够描述图像中物体的外形和结构。
形状特征提取是通过对图像中的像素点进行形状分析，从而得到图像的形状信息。
常用的形状特征提取方法有轮廓分析法、边缘检测法和骨架提取法等。
轮廓分析法是通过对图像中物体的外轮廓进行分析，从而得到图像的形状特征。
一种基于颜色特征的图像检索方法的设计和实现
色子空间中像素个数 占整个 图像像素数的比例完成 对不 同尺寸 图片 的缩放 归一 。
最后 ， 需对距 离 度量 函数 进行 选择 。 还 图像 的匹
配计算以检索为前提 ，它需要根据图像的某种特征 或多种特征的集合从图像库 中找出和样本“ 相似 ” 的
对象 。 由于图像特征通常都可以表示成向量形式 ， 因
内容 自由访 问的目标 。如今 ， 基于 内容 的图像 检索 是 当前最 活跃 的研究 热 点之一 。
以图像 特征为索引对静态 图像进行 检索是 目 前使用最多的方法 。主要思想是根据 图像 的颜色 、 纹理 、 形状特征以及语义特征等 内容特征作 为图像
的索 引，计算查询图像与 目标图像 的相似距离 ， 按 相似度匹配进行检索 。（ ） １对颜色 的空 间分布是人
２ １ 年第 ３ ０ １ 期 安 徽 电子 信 息 职 业 技 术 学 院学 报 Ｎ ． ２ １ ｏ ０ ３ １ 第 １ 卷（ Ｏ 总第 ５ 期）ＪＲ Ｌ ｌＶ Ａ Ｎ ＬＧＯ ＬＴ Ｎ ＆ ＦＭ Ｉ Ｈ Ｌ Ｙ ｅｅ ｌ ｏ ４Ｖ １ ０ ４ Ｏ ＮＯＡ ｌ Ｏ Ｔ Ａ ＯＥ ＥＣＯＣ ＩＯ Ａ ＮＥＮ Ｏ ｎｒ ． ｏ １ Ｕ Ａ Ｆ￣ｌ ＣＩ Ｌ ＬＥＦ ＥＲ Ｉ ＮＲ Ｔ Ｔ ＯＧ Ｇ ａ Ｎ ５ ｒＪ Ｏ Ｃ Ｓ Ｏ Ｃ ．
尺寸大小的差别常常会造成匹配的误差 ， 因此 ，
还需 要 归一 化 图像 的颜 色直 方 图 。可 以通过 匹配颜
像集合十分有利 。 首先将 Ｒ Ｂ颜色空间转化成视觉 Ｇ 均衡 的颜色空 间 ， Ｈ Ｖ， 如 Ｓ 并将颜色空 间量化成若 干个 ｂ 。然后 ， 图像空间进行色彩分割 ， 每个 ｉ ｎ 对 在 单元区域 中依次以颜色空间分量进行索引 ， 即可描 述为用二进制表示的颜色索引集。比较不 同图像颜 色集 之 间 的距离 和 色彩 区域 的空 间关 系就 可通 过构
图像特征提取技术综述
图像特征提取技术综述图像特征提取技术综述摘要：图像特征提取是计算机视觉领域中的一个重要研究方向。
它的目标是从图像中提取出具有代表性的信息，用于图像分类、目标识别、目标跟踪等应用。
本综述将对常用的图像特征提取技术进行概述，并分析其优劣和适用场景。
一、颜色特征提取技术颜色是图像的重要属性之一，具有信息丰富且易于理解的特点。
常用的颜色特征提取方法有：颜色直方图、颜色矩和颜色共生矩阵。
颜色直方图表示图像中各个颜色的分布情况，可以用来描述图像的整体颜色分布特征。
颜色矩是对颜色分布进行统计的特征，能够表征图像的颜色平均值、离散度等信息。
颜色共生矩阵则可以提取纹理信息，通过统计图像中相邻像素间的灰度值搭配出现频率来描述图像的纹理特征。
二、形状特征提取技术形状是物体的重要特征之一，对于图像分类和目标识别等任务有着重要的作用。
常用的形状特征提取方法有：边缘检测和轮廓提取、形状上下文和尺度不变特征变换（SIFT）。
边缘检测和轮廓提取是将图像中的边缘和轮廓提取出来，可以用来描述物体的形状特征。
形状上下文是描述物体形状的一种方法，它将物体的形状分解为多个小区域，通过计算各个区域之间的相对位置关系来表示形状。
SIFT是一种可旋转、尺度不变的局部特征描述子，通过检测图像中的局部极值点并计算其方向直方图来描述图像的形状特征。
三、纹理特征提取技术纹理是图像中一些重要的结构特征，对于图像分析和识别具有重要的作用。
常用的纹理特征提取方法有：灰度共生矩阵、Gabor滤波器和小波变换。
灰度共生矩阵是一种用来描述纹理特征的统计方法，通过计算图像中相邻像素间灰度搭配出现频率来描述纹理的复杂程度。
Gabor滤波器是一种基于小波变换的滤波器，通过对不同尺度和方向的Gabor滤波器的响应进行统计来描述纹理特征。
小波变换是将图像分解为不同尺度和方向的频域信息，通过计算不同尺度和方向下的能量和相位特征来描述纹理特征。
四、深度学习在图像特征提取中的应用深度学习是近年来兴起的一种机器学习方法，它通过构建多层神经网络来学习图像的特征表示。
Python中的图像特征提取与模式识别方法
Python中的图像特征提取与模式识别方法引言图像特征提取与模式识别是计算机视觉领域中的重要研究内容，通过对图像进行特征提取和模式识别，可以实现识别图像中的目标物体、检测和匹配图像中的模式等应用。
Python作为一种强大的编程语言，提供了丰富的库和工具，可以方便地进行图像特征提取与模式识别的研究和应用。
本文将介绍Python中常用的图像特征提取与模式识别方法，包括颜色特征提取、纹理特征提取、形状特征提取等内容。
一、颜色特征提取1. RGB颜色特征提取RGB颜色模型是一种常用的颜色表示方法，通过对图像中每个像素的红、绿、蓝三个通道进行分析，可以提取出图像的颜色特征。
在Python中，可以使用OpenCV库来实现RGB颜色特征提取，首先需要加载图像，并将图像转换为RGB模式，然后使用统计方法计算图像中各种颜色的分布情况。
2. HSV颜色特征提取HSV颜色模型将颜色的明度、饱和度和色调分为三个通道，与RGB颜色模型相比更加直观和可解释。
在Python中，可以使用skimage库来实现HSV颜色特征提取，通过计算图像中不同色调和饱和度的分布情况，可以得到图像的颜色特征。
二、纹理特征提取纹理特征是图像中重要的描述性特征，能够用来描述图像中的细节和结构。
常用的纹理特征提取方法包括灰度共生矩阵(GLCM)、局部二值模式(LBP)等。
1. 灰度共生矩阵(GLCM)灰度共生矩阵是一种描述图像纹理的统计方法，通过计算图像中不同灰度级别像素的空间分布关系，可以得到图像的纹理特征。
在Python中，可以使用skimage库来计算灰度共生矩阵，并通过计算一些统计量（如对比度、能量、熵等）来描述图像的纹理特征。
2. 局部二值模式(LBP)局部二值模式是一种描述图像纹理的局部特征算子，通过比较像素点与其邻域像素的灰度值，可以得到一个二进制编码，用来表示该像素的纹理特征。
在Python中，可以使用skimage库来计算局部二值模式，并通过计算直方图等方式来描述图像的纹理特征。
基于机器学习的图像特征提取与分类算法
基于机器学习的图像特征提取与分类算法图像特征提取与分类算法是现代计算机视觉领域中的重要研究方向之一。
随着大数据和机器学习的快速发展，利用机器学习方法自动地从图像中提取有用的特征并进行分类已经成为可能。
本文将介绍基于机器学习的图像特征提取与分类算法的基本概念和常用方法。
一、图像特征提取的基本概念图像特征提取是指从图像中提取出能够用来描述图像特性的低维特征。
传统的图像特征包括颜色、纹理和形状等，而现在基于机器学习的图像特征提取方法还包括基于深度学习的特征提取。
对于每个图像，可以通过计算一系列特征来表示它的特征向量，从而实现对图像内容的描述。
二、常用的图像特征提取算法1. 颜色特征提取算法：颜色是图像中最直观和重要的特征之一。
常用的颜色特征提取算法包括颜色直方图、颜色矩和颜色熵等。
颜色直方图表示图像中各个颜色在整个图像中的分布情况，颜色矩则用来描述颜色的均值和方差，而颜色熵则能反映出图像中颜色的分散程度。
2. 纹理特征提取算法：纹理是图像中重要的视觉特征之一，它可以用于区分不同的物体和图像结构。
常用的纹理特征提取算法包括局部二进制模式（Local Binary Patterns，LBP）、灰度共生矩阵（Gray Level Co-occurrence Matrix，GLCM）和Gabor 滤波器等。
这些算法可以通过计算图像中像素之间的灰度差异和方向来提取纹理特征。
3. 形状特征提取算法：形状是图像中表示物体和目标的结构特征。
常用的形状特征提取算法包括边缘检测、边界距离变换（Distance Transform）和Zernike矩等。
对于每个图像，可以通过计算一系列形状特征来描述其边界和形状。
三、基于机器学习的图像分类算法图像分类是指将具有相似特征的图像归到同一类别的任务。
基于机器学习的图像分类算法主要包括监督学习和无监督学习方法。
1. 监督学习算法：监督学习算法需要提供标记好的训练数据集，其中每个图像都有对应的标签。
基于流形学习的舌图像颜色特征提取方法研究的开题报告
基于流形学习的舌图像颜色特征提取方法研究的开题报告一、研究背景和意义中医舌诊是中医传统诊断方法之一。
舌头反映着人体的各种疾病情况，中医舌诊通过观察舌头的形态、颜色、湿度、厚薄等特征来判断人体的健康状况。
随着计算机图像处理技术的快速发展，研究如何利用计算机技术对中医舌诊图像进行分析和诊断已经成为一项热门研究课题。
其中，舌图像的颜色特征对中医舌诊诊断至关重要，因此舌图像颜色特征提取是舌诊系统设计中的一个重要环节。
然而，传统的颜色特征提取方法通常是基于像素点的RGB颜色分量或HSV颜色空间等基本颜色模型，无法反映图像的整体视觉结构以及颜色之间的语义关系。
而基于流形学习的颜色特征提取方法可以在实现颜色分布特征提取的同时，考虑颜色空间的拓扑结构，将低维颜色空间数据映射到高维尺度空间中，更加准确地反映颜色分布的结构特征。
因此，本研究旨在探究基于流形学习的舌图像颜色特征提取方法，以期提高中医舌诊的精度和指导临床实践。
二、研究内容和方案（一）研究内容本研究拟选取少数民族的舌部照片样本，以提高舌色采集的多样性，利用基于流形学习的方法对少数民族舌图像进行颜色特征提取。
（二）方案1. 获取样本数据：本研究将搜集100张中医舌诊照片，利用MATLAB软件实现舌部的图像分割。
2. 基于流形学习的颜色特征提取：（1）选择合适的流形算法（如ISOMAP、LLE等）进行流形学习。
（2）利用流形学习算法将低维数据映射到高维空间，得到颜色特征向量。
（3）利用PCA降维算法对高维颜色特征向量进行降维处理。
3. 局部特征点和颜色梯度方向提取：（1）利用SIFT算法进行局部特征点提取。
（2）利用Gabor Filter算法进行颜色梯度方向提取。
4. 整合全局和局部特征：（1）将基于流形学习的颜色特征向量与局部特征点向量和颜色梯度方向向量整合。
（2）利用SVM分类算法对整合后的特征向量进行训练和分类。
5. 总结分析，验证实验：（1）利用交叉验证方法进行精度的评测和分析。
基于颜色特征的番茄图像分割算法的研究
关键词 ：番茄识别 ；图像分割 ；算法
中 图分 类 号 ：Ｔ ３ １ ４ Ｐ ９ 。１ 文 献 标 识码 ：Ａ 文章 编 号 ：１ ０ ０ ３—１ ８ ２ １ ０ ０ ３ ０ ８ Ｘ（ ０ ０） １— ０ ０— ３
０ 引言
将 田间成 熟 的 番 茄 果 实 从 图 像 背 景 中 分 离 出来 是 实 现番 茄 自动 化 收获 的关 键 一 步 。 因此 ， 如何 对 采 集 的番 茄 图像 进 行有 效 分 割 ， 自动 化 收 获 具 有重 要 对 的意 义 。要 准确 采集 田 间番 茄 的 图像 信 息 ， 并对 其 进
１ １ 直方 图双峰 法 ．
该 方法 的基 本 思 想是 ， 图像 中 目标 与 背 景 的灰 当 度 值有 明 显差 别 时 ， 灰 度 直 方 图 的分 布 呈 双 峰 状 ， 其 波 峰分 别 与 图像 中 的 目标 和背 景 相 对 应 ， 谷 与 图像 波
边 缘相 对 应 ， 取 双 峰之 问 的谷 底 对应 的灰 度 值 作 为 选
有 的大 多数 图像 分 割方 法 主 要 针 对 灰度 图像 ， 这些 方 法对 有 复杂 物 体 组 成 的 复 杂 场 景 的分 割 或 者 对 自然
景物 的分割 等这 些先 验 知 识 不 足 的图像 分 割 ， 有较 具 理想 的 分割 效果 。本 文 进 行 图像 分 割 的番 茄 图像 ， 在 较好 地保 留 了采 摘 番 茄 与 背 景 间 的颜 色 差 异 的信 息
着 错分 概 率最 小 。 １４ Ｋｒｈ算 子 ． ｉ ｓ
阈值分割算法的关键在于 阈值 的确定 ， 通过相关
研究 并 结合 本研 究 分 割 图像 的实 际情 况 ， 步 选 取 直 初 方 图双 峰法 、 代 阈 值 法 、 ｔ 迭 Ｏｓ 、 ｉｈ算 子 、 大熵 ｕ法 Ｋｒ ｓ 最
- 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)。
全局累加直方图是以颜色值作为横坐标，纵坐标为颜色累加 出现的频数，因此图像的累加直方图空间 Ｈ 定义为：
（２）
其中，
表示 Ci 到 Ck 种颜色的像素的累加频
色特征提取算法： 颜色直方图法、全局累加直方图法、局部累加直方图法和颜色参量的统计特征法， 并分析比较了这几类算法的特点，
试图为以颜色为特征的图像分类识别应用提供思路。
关键字： 颜色特征 直方图 图像分类、检索
中图分类号： Ｔ Ｂ １
文献标识码： Ａ
文章编号：１６７４－０９８Ｘ（２００８）１１（ｃ）－０１８９－０１
［３］ 刘 忠 伟 ， 章 毓 晋 ． 十 种 基 于 颜 色 特 征 图 像 检 索 算 法 的 比 较 和 分 析［Ｊ］．信号处理．２０００，Ｖｏ１．１６，Ｎｏ．（１）：７９－８．
［４］ 刘忠伟，章毓晋．利用局部累加直方图进行彩色图像检索［Ｊ］，中 国图像图形学报，１９９８，３（７）．
［５］ Ｔｉａｎ，Ｌ．Ｆ．，ａｎｄ Ｄ．Ｃ．Ｓｌａｕｇｈｔｅｒ．Ｅｎｖｉｒｏｎｍｅｎｔａｌｌｙ ｏｄａｐｔｉｖｅ ｓｅｇ－ ｍｅｎｔａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｆｏｒ ｏｕｔｄｏｏｒ ｉｍａｇｅｓ ｓｅｇｍｅｎｔａｔｉｏｎ［Ｊ］． Ｃｏｍｐｕｔｅｒ＆Ｅｌｅｃｔｉｏｎ．ｉｎ Ａｇｒｉｃ．１９９８，２１（３）：１５３－１６８．
略颜色参量含义及其对图像像素间关系，为弥补直方图法的不足，
提取颜色特征，对颜色参量进行分析、统计、处理，在应用中表现
出好的效果。
ＲＧＢ 和 ＨＩＳ 颜色空间在颜色参量的统计特征中具有重要的
作用。在实际的图像处理中，ＲＧＢ 颜色系统的 ｒ，ｇ，ｂ 值计算公式
如下：
ｒ＝Ｒ ／（Ｒ＋Ｇ＋Ｂ），ｇ＝Ｇ ／（Ｒ＋Ｇ＋Ｂ），ｂ＝Ｂ ／（Ｒ＋Ｇ＋Ｂ） （３）
学 术 论 坛
科技创新导报 ２００８ ＮＯ．３３
Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ
基于颜色特征的图像提取算法的研究
张露 闭金杰 林志源 诸葛隽 （ 广西师范大学物理与电子工程学院， 广西 桂林 ５ ４ １ ０ ０ 颜色作为一种重要的图像视觉信息已得到了广泛的应用， 文章探讨研究了当今主要的几种颜
（７）
其中，Ｒ，Ｇ，Ｂ，Ｓ，Ｉ ∈［０，１］，Ｈ ∈［０，３６０］。 从公式（７）可以看出，ＨＩＳ 颜色空间的优势在于其本身的颜色 参量间相关性差，尤其参量 Ｉ 和参量 Ｈ、Ｓ 之间，具有对外界环 境的惰性特征， 我们可以只对 Ｓ 和 Ｈ 进行分析来消除光照对采 样图像的影响。另一方面，ＨＳＩ 颜色空间与人眼的视觉特性比较 接近颜色参量较好的表达了人眼视觉的特点。
（５）
（６）
其中，ｋ 代表图像的特征取值，Ｌ 是特征可取值的个数，n 是图 k
像中具有特征值为 k 的象素的个数，N 是图像象素的总数。 由上式可见，颜色直方图所描述的是不同色彩在整幅图像中
所占的比例，无法描述图像中的对象或物体，但是由于直方图相对 于图像以观察轴为轴心的旋转以及幅度不大的平移和缩放等几何 变换是不敏感的，而且对于图像质量的变化也不甚敏感，所以它特 别适合描述那些难以进行自动分割的图像和不需要考虑物体空间 位置的图像［１］。
科技创新导报 Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｉｎｎｏｖａｔｉｏｎ Ｈｅｒａｌｄ
１８９
１ 颜色空间
在数字图像处理中常用的是 ＲＧＢ 和 ＨＩＳ 这两个颜色空间。 ＲＧＢ 颜色空间是一种根据人眼对不同波长的红、绿、蓝光做出锥 状体细胞的敏感度描述的基础彩色模式，Ｒ、Ｇ、Ｂ 分别为图像红、 绿、蓝的亮度值，大小限定在 ０～１ 或者在 ０～２５５。ＨＩＳ 颜色空间 是指颜色的色调、亮度和饱和度，Ｈ 表示色调，描述颜色的属性， 如黄、红、绿，用角度 ０～３６０ 度来表示；Ｓ 是饱和度，即纯色程 度的量度，反映彩色的浓淡，如深红、浅红，大小限定在 ０～１；Ｉ 是 亮度，反映可见光对人眼刺激的程度，它表征彩色各波长的总能 量，大小限定在 ０～１。
参考文献
［１］ Ｍ．Ｊ．Ｓｗａｉｎ ａｎｄ Ｄ．Ｈ．Ｂａｌｌａｒｄ．Ｃｏｌｏｒ ｉｎｄｅｘｉｎｇ．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，Ｖｏｌ．７，Ｎｏ．１，１９９１：１１－３２．
［２］ Ｍ．Ｓｔｒｉｃｋｅｒ ａｎｄ Ｍ．Ｏｒｅｎｇｏ．Ｓｉｍｉｌａｒｉｔｙ ｏｆ ｃｏｌｏｒ ｉｍａｇｅｓ．ＩＳ＆Ｔ／ ＳＰＩＥ Ｃｏｎｆ．ＯｎＳｔｏｒａｇｅ ａｎｄ Ｒｅｔｒｉｅｖａｌ ｆｏｒ Ｉｍａｇｅ ａｎｄ Ｖｉｄｅｏ Ｄａｔａｂａｓｅｓ ＩＩＩ，Ｖｏｌ．２４２０，Ｓａｎ Ｊｏｓｅ，ＣＡ：Ｆｅｂ．１９９５：３８１－３９２．
数，n 表示量化得到的颜色数。 在全局累加直方图中，相邻颜色在频数上是相关的。相比一
般直方图，它的存储量和计算量有很小的增加，但是它消除了一般 直方图中常见的零值以及一般直方图量化过细过粗检索效果都会 下降的缺陷。 ２．３ 局部累加直方图法［４］
把色度沿分布轴分成若干个局部区间的方法称为局部累加直 方图法。它的基本原理是：色度轴上各种颜色的分布是连续过渡 的，各颜色区之间不存在截然不同的界限。先采用 ６０°为区间的 长度，将 Ｈ 轴分成 ６ 个不重叠的局部区间［６０ｋ，６０（ｋ＋１）］，ｋ＝０， １，…，５，计算出每个局部区间的累加直方图，再改变区间划分为 ［３０＋６０ｋ，（３０＋６０（ｋ＋１））ｍｏｄ ３６０］，ｋ＝０，１，…，５，并计算出这时每个 局部区间的累加直方图，最后将这两次计算的累加直方图逐项相
２ 颜色特征提取
２．１ 一般直方图法 颜色直方图是最基本的颜色特征表示方法，它反映的是图像
中颜色的组成分布，即出现了哪些颜色以及各种颜色出现的概率。 其函数表达式如下：
（１）
加取平均，作为最终的特征直方图用于检索。
２ ． ４ 颜色参量的统计特征法
由于直方图法在颜色的表达中没有考虑到人眼的视觉感受，忽
从上面的公式（３）可以推断出 ＲＧＢ 颜色系统的 ｒ，ｇ，ｂ 只是比
值与光照强度变化无关［５］。由 ＲＧＢ 向 ＨＩＳ 空间进行转换，可以得
到 ＨＩＳ 值，转换方法如下：
Max=max(R,G,B),Min=min(R,G,B) （４）
I=0.229R+0.587G+0.114B