图像特征提取
掌握图像处理中的特征提取与匹配方法
掌握图像处理中的特征提取与匹配方法引言图像处理是计算机视觉中的重要领域之一，它涵盖了从采集到处理再到分析整个图像处理流程。
特征提取和匹配是图像处理中的重要环节，它们有助于图像分类、图像识别、目标跟踪等应用场景中的实现。
本文将介绍图像处理中的特征提取与匹配方法。
一、特征提取特征提取是指从图像中提取一些基本特征的过程，这些特征能够描述或表示图像中的某些重要属性。
一般来说，特征提取要求提取出的特征应具有以下特点：可重复性、可靠性、特异性、鲁棒性、计算效率等。
在实际应用中，常用的特征提取方法包括SIFT、SURF、HOG、LBP等。
1. SIFT尺度不变特征转换（Scale-invariant feature transform，SIFT）是一种常用的特征提取算法。
它通过在各个尺度上检测图像的关键点，然后对每个关键点周围的像素进行梯度计算，再把梯度信息转换为特征向量，最终得到具有尺度不变性的特征描述子，用于匹配和分类。
SIFT算法具有较好的鲁棒性和旋转不变性，在目标跟踪、图像检索等领域具有广泛的应用。
2. SURF加速稳健特征（Speeded Up Robust Features，SURF）是一种基于尺度空间的特征提取算法。
它采用了快速哈尔小波变换来加速特征计算，并引入了Hessian矩阵来描述图像的局部特征，加强了图像的鲁棒性和抗干扰性。
SURF算法与SIFT算法相比，具有更快的计算速度和更好的抗噪性，适合于大规模图像数据的特征提取。
3. HOG方向梯度直方图（Histogram of Oriented Gradients, HOG）是一种基于图像梯度方向和强度的特征描述方法。
HOG算法通过计算图像中每个像素点的梯度幅值和梯度方向，并将其汇总为几个方向的直方图，最终得到具有方向和梯度信息的特征向量。
HOG算法具有较好的抗变形和旋转不变性，适合于人体检测、模式识别等领域。
4. LBP局部二值模式（Local Binary Pattern, LBP）是一种基于纹理分析的特征提取算法。
图像处理中的图像特征提取方法与技巧
图像处理中的图像特征提取方法与技巧图像处理是一门研究数字图像的领域，其目标是通过一系列的处理步骤来改善图像的质量或提取出其中的有用信息。
其中，图像特征提取是图像处理中的重要环节之一。
本文将介绍一些常用的图像特征提取方法和技巧。
1. 灰度特征提取灰度特征提取是图像处理中最基本的特征提取方法之一。
通过将彩色图像转换为灰度图像，可以提取出图像的亮度信息。
常用的灰度特征包括图像的平均灰度值、灰度直方图、对比度等。
这些特征可以反映出图像的整体明暗程度和灰度分布情况，对于一些亮度信息相关的任务，如人脸识别、目标检测等，具有重要意义。
2. 形态学特征提取形态学特征提取通过对图像进行形态学运算，如腐蚀、膨胀、开闭运算等，来提取出图像的形态信息。
比如，利用腐蚀和膨胀运算可以提取出图像的边缘信息，通过开闭运算可以获取到图像的拐点信息和孤立点信息。
形态学特征提取在图像的边缘检测、形状分析等领域中得到广泛应用。
3. 纹理特征提取纹理特征提取是指从图像中提取出具有纹理信息的特征。
图像的纹理是指图像中像素之间的空间关系，比如纹理的平滑度、粗糙度、方向等。
常见的纹理特征提取方法包括灰度共生矩阵（GLCM）、灰度差值矩阵（GLDM）等。
这些方法通过统计邻近像素之间的灰度差异来描述图像的纹理特征，对于物体识别、纹理分类等任务非常有用。
4. 频域特征提取频域特征提取是指通过对图像进行傅里叶变换或小波变换，从频域角度分析图像的特征。
对于傅里叶变换，可以得到图像的频谱图，从中提取出一些频域特征，如频谱能量、频谱密度等。
而小波变换则可以提取出图像的频率和幅度信息。
频域特征提取在图像压缩、图像识别等领域具有广泛应用。
5. 尺度空间特征提取尺度空间特征提取是指通过在不同的尺度下分析图像的特征，提取出图像的空间尺度信息。
常用的尺度空间特征提取方法包括拉普拉斯金字塔、高斯金字塔等。
这些方法可以从图像的多个尺度下提取出不同的特征，对于物体的尺度不变性分析、尺度空间关系分析等任务非常有用。
特征提取的方法有哪些
特征提取的方法有哪些特征提取是指从原始数据中提取出对问题解决有用的特征，是数据预处理的重要环节。
在机器学习、模式识别、图像处理等领域，特征提取是非常重要的一步，它直接影响到后续模型的性能和效果。
因此，特征提取的方法也是非常多样化和丰富的。
下面我们将介绍一些常用的特征提取方法。
1. 直方图特征提取。
直方图特征提取是一种常见的方法，它将数据按照一定的区间进行划分，并统计每个区间中数据的频数。
对于图像处理来说，可以将图像的像素值按照灰度级别划分成若干区间，然后统计每个区间中像素的个数，从而得到一个灰度直方图。
通过直方图特征提取，可以很好地描述图像的灰度分布特征。
2. 边缘检测特征提取。
边缘检测是图像处理中常用的一种特征提取方法，它通过检测图像中像素值的变化来找到图像中的边缘。
常用的边缘检测算子有Sobel、Prewitt、Canny等，它们可以有效地提取出图像中的边缘信息，为后续的图像分割和物体识别提供重要的特征。
3. 尺度不变特征变换(SIFT)。
SIFT是一种基于局部特征的图像特征提取方法，它具有尺度不变性和旋转不变性的特点。
SIFT算法通过寻找图像中的关键点，并提取这些关键点周围的局部特征描述子，来描述图像的特征。
SIFT特征提取方法在图像匹配、目标识别等领域有着广泛的应用。
4. 主成分分析(PCA)。
主成分分析是一种常用的特征提取和降维方法，它通过线性变换将原始数据映射到一个新的坐标系中，使得映射后的数据具有最大的方差。
通过PCA方法可以将高维数据降维到低维空间，同时保留了大部分原始数据的信息，对于高维数据的特征提取和数据可视化具有重要意义。
5. 小波变换特征提取。
小波变换是一种时频分析方法，它可以将信号分解成不同尺度和频率的小波系数。
小波变换特征提取方法可以有效地捕捉信号的时频特征，对于信号处理和图像处理中的特征提取具有重要的应用价值。
总结。
特征提取是数据预处理的重要环节，不同的领域和问题需要采用不同的特征提取方法。
医学图像处理中的特征提取方法
医学图像处理中的特征提取方法医学图像处理是一种重要的技术，广泛应用于医学影像诊断、疾病分析和治疗等领域。
随着医学图像采集设备的进步和医学数据的增加，如何从大量的医学图像数据中提取有效的特征成为了一个关键问题。
特征提取是医学图像处理中的一个基础任务，其目标是从医学图像中获取能够描述图像信息的有意义的特征。
这些特征可以用于图像分类、目标检测、疾病诊断以及病情监测等任务。
在医学图像处理中，特征提取方法可以分为传统方法和深度学习方法两类。
一、传统方法传统的特征提取方法主要利用图像处理和数学统计方法来提取图像的低层次特征和高层次特征。
下面介绍几种常用的传统特征提取方法。
1. 基于灰度直方图的特征提取方法灰度直方图反映了图像中像素灰度级的分布情况。
利用灰度直方图可以提取图像的全局颜色特征。
通过对灰度直方图进行均衡化、统计特征提取以及颜色矩特征提取等方法，可以从图像中提取到描述颜色信息的特征。
2. 基于纹理特征的提取方法纹理特征反映了图像中像素间的灰度和颜色变化情况。
而在医学图像中，纹理特征的提取对于病变的检测和分析非常有用。
常用的纹理特征提取方法包括灰度共生矩阵（GLCM）、灰度差异矩阵（GLDM）、灰度大小共生矩阵（GLRLM）等。
3. 基于形状特征的提取方法形状特征是描述物体几何形状的特征，对于医学图像中的异常区域检测和分割起着重要的作用。
常见的形状特征包括面积、周长、直径、离心率、圆度、伸长程度等。
二、深度学习方法随着深度学习的兴起，基于深度神经网络的特征提取方法在医学图像处理中展现出了强大的能力。
1. 卷积神经网络（CNN）卷积神经网络是深度学习中最常用的网络结构，其通过卷积层、池化层和全连接层，可以自动学习到图像中的特征。
医学图像处理中，利用预训练的CNN模型，可以通过微调的方式提取图像的特征，并结合其他分类器进行应用。
2. 生成对抗网络（GAN）生成对抗网络是由生成器和判别器组成的一种网络结构，通过两个网络之间的对抗训练，可以生成与真实样本类似的图像。
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。
图像特征提取方法详解(Ⅰ)
图像特征提取方法详解一、引言图像特征提取是计算机视觉领域中的一个重要问题，它涉及到图像中的信息抽取和表征。
在各种图像处理和分析任务中，如目标检测、目标跟踪、图像匹配等，图像特征提取都扮演着至关重要的角色。
本文将详细介绍几种常见的图像特征提取方法，并对它们的原理和应用进行解析。
二、颜色特征提取颜色是图像中最基本的特征之一，可以用来描述图像中的物体或目标的外观。
常见的颜色特征提取方法包括颜色直方图、颜色矩和颜色空间转换。
颜色直方图是一种描述图像中颜色分布的方法，它可以用来表示图像中各种颜色的分布情况。
颜色矩是对颜色分布的统计特征描述，它可以更准确地表征颜色的特征。
颜色空间转换则是将图像的颜色表示从RGB空间转换到其他空间，如HSV空间或Lab空间，以便更好地描述颜色特征。
三、纹理特征提取纹理是图像中的另一个重要特征，可以用来描述图像中物体的表面结构。
常见的纹理特征提取方法包括灰度共生矩阵、小波变换和Gabor滤波器。
灰度共生矩阵是一种描述图像纹理结构的方法，它可以用来计算图像中像素灰度值之间的统计关系。
小波变换是一种多尺度分析方法，可以用来提取图像中不同尺度的纹理信息。
Gabor滤波器则是一种基于人类视觉系统的模型，可以用来更好地描述图像中的纹理特征。
四、形状特征提取形状是图像中的另一个重要特征，可以用来描述物体的外形和结构。
常见的形状特征提取方法包括边缘检测、轮廓描述和形状上下文。
边缘检测是一种常见的图像处理方法，可以用来提取图像中物体的边缘信息。
轮廓描述是对物体轮廓形状的描述方法，可以用来描述物体的整体形状特征。
形状上下文则是一种描述物体形状的统计特征，可以更准确地表征物体的形状特征。
五、深度学习特征提取深度学习是近年来兴起的一种强大的特征提取方法，它可以利用深度神经网络从原始图像中学习到更高级的特征表示。
常见的深度学习特征提取方法包括卷积神经网络、自编码器和循环神经网络。
卷积神经网络是一种专门用于图像处理的神经网络结构，可以自动学习到图像中的特征表示。
图像处理技术中的特征提取方法
图像处理技术中的特征提取方法特征提取是图像处理技术中的重要步骤，它能够从原始图像中提取出具有代表性的特征，为后续的图像分析与处理提供基础。
在本文中，我们将介绍一些常用的图像处理技术中的特征提取方法。
1. 梯度特征提取法梯度特征提取法是一种基于图像边缘信息的特征提取方法。
通过计算图像中像素值的梯度来获取图像边缘信息。
其中，常用的方法包括Sobel算子、Prewitt算子和Canny边缘检测等。
这些算法可以有效地提取出图像的边缘特征，用于物体检测、目标跟踪等应用。
2. 纹理特征提取法纹理特征提取法是一种基于图像纹理信息的特征提取方法。
通过分析图像中的纹理分布和纹理特征，可以揭示图像中的纹理结构和纹理性质。
常用的纹理特征提取方法包括局部二值模式（LBP）、灰度共生矩阵（GLCM）等。
这些方法可以用于图像分类、纹理识别等领域。
3. 颜色特征提取法颜色特征提取法是一种基于图像颜色信息的特征提取方法。
通过提取图像中的颜色分布和颜色特征，可以区分不同物体以及不同场景。
常用的颜色特征提取方法包括颜色矩、颜色直方图等。
这些方法可以用于图像检索、目标识别等应用。
4. 形状特征提取法形状特征提取法是一种基于图像形状信息的特征提取方法。
通过分析图像中的几何形状和边界形状，可以用于目标检测和图像分割等任务。
常用的形状特征提取方法包括边缘描述子如链码、轮廓拟合等。
这些方法可以用于目标检测、目标跟踪等应用。
5. 光流特征提取法光流特征提取法是一种基于图像运动信息的特征提取方法。
通过分析图像序列中像素的位移信息，可以获取图像中的运动信息。
常用的光流特征提取方法包括Lucas-Kanade光流法、Horn-Schunck光流法等。
这些方法可以用于目标跟踪、行为识别等应用。
在实际应用中，通常需要结合多种特征提取方法来提取更加丰富和具有区分度的特征。
例如，可以将梯度特征、纹理特征和颜色特征进行融合，以提取更加综合的特征表示。
还可以利用机器学习算法如支持向量机（SVM）、神经网络等对提取的特征进行分类和识别。
图像特征提取原理是什么？
图像特征提取原理是什么？
图像特征提取原理是什么？
图像特征提取是指从图像中提取出代表图像内容的一组特征向量或特征描述符的过程，通常是为了实现图像分类、检索、匹配等应用。
常用的图像特征包括颜色、形状、纹理、边缘等。
图像特征提取的原理可以分为以下几个步骤：
图像预处理：对图像进行预处理，通常包括图像去噪、增强、归一化等操作。
特征提取算法选择：选择一种适合当前任务的特征提取算法，比如颜色直方图、局部二值模式（LBP）、方向梯度直方图（HOG）等。
特征区域选择：选择图像中的特定区域进行特征提取，比如全局特征、局部特征等。
特征向量表示：将提取出的特征转化为特征向量，通常是为了方便后续处理和计算。
特征选择和降维：根据具体需求对特征进行选择和降维，可以有效提高分类和检索的准确性和速度。
特征分类和匹配：使用分类器或匹配算法对提取出的特征进行分类或匹配，比如支持向量机、最近邻、卷积神经网络等。
1。
- 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)。
图像特征提取方法特征提取是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征，其结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。
常用的图像特征有颜色特征、纹理特征、形状特征和空间关系特征。
图1.图像特征分类及其方法一、颜色特征颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。
一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。
由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。
常用的特征提取与匹配方法有5种：颜色矩、颜色直方图、颜色集、颜色聚合向量、颜色相关图。
（1） 颜色矩颜色矩是一种简单而有效的颜色特征，其数学基础是图像中的任何的颜色分布均可以用它的矩来表示。
此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩(mean)、二阶矩(Variance)和三阶矩(Skewness)就足以表达图像的颜色分布，与颜色直方图相比，该方法的另一个好处是无须对特征进行量化。
一阶矩：二阶矩：三阶矩：一阶：颜色分量的平均强度；二、三阶：方差和偏移度。
图像的颜色矩一共有九个分量，每个颜色通道均有三个低阶矩。
颜色矩仅仅使用少数几个矩，从而导致过多的虚警，因此颜色矩常和其他特征结合使用。
（2） 颜色直方图它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。
但它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。
直方图中的数值都是统计而来，描述了该图像中关于颜色的数量特征，可以反映图像颜色的统计分布和基本色调。
颜色直方图可以分为三类，分别为：全局直方图、累加直方图、主色调直方图。
全局直方图：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。
其对图像的旋转、平移、缩放和图像质量变化不敏感，比较适合于检索图像的全局颜色相似性，即通过比较颜色直方图的差异来衡量两幅图像在颜色全局分布上的差异。
累加直方图：当图像中的特征并不能取遍所有可取值时，统计直方图中会出现一些零值。
这些零值的出现会对相似性度量的计算带来影响，从而使得相似性度量并不能正确反映图像之间的颜色差别。
所以，在全局直方图的基础上，使用累加颜色直方图。
在累加直方图中，相邻颜色在频数上是相关的。
虽然累加直方图的存储量和计算量有很小的增加，但是累加直方图消除了一般直方图中常见的零值，也克服了一般直方图量化过细过粗检索效果都会下降的缺陷。
主色调直方图：因一幅图像中，往往少数几种颜色就涵盖了图像的大多数像素，而且不同颜色在图像中的出现概率是不同的，可以通过统计图像中各种颜色出现的概率，选出最频繁出现的几种做为主色。
使用主色并不会降低颜色匹配的效果，因为颜色直方图中出现频率很低的哪些颜色往往不是图像的主要内容，从某种程度上讲，是对图像内容表示的一种噪声。
11N i ij j P N μ==∑12211[()]N i ij i j P N σμ==-∑13311[()]N i ij i j s P N μ==-∑（3）颜色集颜色集是对颜色直方图的一种近似，首先将RGB颜色空间转换成视觉均衡的颜色空间（HSV），并将颜色空间量化成若干个bin，然后运用颜色自动分割技术将图像分为若干个区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达成一个二进制的颜色索引表。
在图像匹配中，比较不同图像颜色集之间的距离和颜色区域的空间关系。
因为，颜色集表达为二进制的特征向量，可以构造二分查照树来加快检索速度，对大规模的图象集合十分有力。
（4）颜色聚合向量图像的颜色聚合向量是颜色直方图的一种演变，其核心思想是将属于直方图每一个bin 的像素分为两部分：如果该bin内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。
颜色聚合向量的最大特点是：克服了颜色直方图和颜色矩的缺点，将颜色在图像中的空间信息与颜色直方图结合了起来。
这样既考虑了颜色分布的统计信息，又考虑了颜色的空间分布信息。
（5）颜色相关图不但刻画了某一种颜色的像素数量占整个图像的比例，还反映了不同颜色对之间的空间相关性。
假设I表示整张图像的全部像素，Ic(i) 则表示颜色为c(i)的所有像素。
颜色相关图可以表达为：其中 i, j ∈{1, 2, …, N}，k∈{1, 2, …, d}，| p1 – p2 | 表示像素p1和p2之间的距离。
颜色相关图可以看作是一张用颜色对<i, j>索引的表，其中<i, j>的第k个分量表示颜色为c(i)的像素和颜色为c(j)的像素之间的距离小于k的概率。
如果考虑到任何颜色之间的相关性，颜色相关图会变得非常复杂和庞大 (空间复杂度为O(N2d))。
一种简化的变种是颜色自动相关图（color auto-correlogram），它仅仅考察具有相同颜色的像素间的空间关系，因此空间复杂度降到O(Nd)。
二、纹理特征纹理特征是一种全局特征，描述了图像或图像区域所对应景物的表面性质，它不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算，是从图像中计算出来的一个值，它对区域内部灰度级变化的特征进行量化。
纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。
但它也有缺点，就是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。
另外，也有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。
常用的特征提取方法大概分为5类：统计法、几何法、模型法、信号处理法、结构法。
（1）统计法是基于像元及其邻域的灰度属性,研究纹理区域中的统计特性,或像元及其邻域内的灰度的一阶、二阶或高阶统计特性; 其典型代表是一种称为灰度（2）几何法是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。
纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。
在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和结构法。
（3）模型法模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。
典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和Gibbs 随机场模型法（4）信号处理法是建立在时、频分析与多尺度分析基础之上,对纹理图像中某个区域内实行某种变换后,再提取保持相对平稳的特征值,以此特征值作为特征表示区域内的一致性以及区域间的相异性（5）结构法基于“纹理基元”分析纹理特征,着力找出纹理基元,认为纹理由许多纹理基元构成,不同类型的纹理基元、不同的方向及数目等,决定了纹理的表现形式。
三、形状特征物体表现出来的视觉特征称为形状特征或直观特征。
形状特征可以分为两类, 一类是基于边界的特征, 另一类是基于区域的特征。
由于形状特征的直观性和易理解性, 提取图像的形状特征可以较好的识别图像中的目标. 但是, 这种方法缺乏完善的数学模型, 目标变形时结果不可靠, 全面描述目标对计算消耗和存储消耗的要求较高, 许多形状特征所反映的目标形状信息与人的直觉不完全一致, 形状特征提取结果的准确性依赖于前期分割的效果。
常用的特征提取方法有：边界特征法、傅里叶形状描述符法、几何参数法、形状不变矩法。
（1）边界特征法该方法通过对边界特征的描述来获取图像的形状参数。
其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。
Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。
（2）傅里叶形状描述符法傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。
由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。
傅立叶描绘子具有对平移、旋转、比例缩放变换、起点位置不敏感的特点。
几何参数法形状的表达和匹配采用更为简单的区域特征描述方法。
例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。
在QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。
需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。
（3）形状不变矩法利用目标所占区域的矩作为形状描述参数。
四、空间关系特征空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。
空间位置信息可以分为两类：相对空间位置信息和绝对空间位置信息。
前一种关系强调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距离大小以及方位。
空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。
另外，实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地表达场景信息。
为了检索，除使用空间关系特征外，还需要其它特征来配合。
算法：1.二进制颜色相关矩阵（BMCCM）BMCCM算法流程图如图1：（1）RGB分量颜色不变量模型对图像进行量化，再计算变换后图像的颜色相关矩阵，不仅降维，且有很好的抗干扰能力。
RGB 分量颜色不变量模型将颜色量化数降为6，特征向量仅为36 维。
RGB 分量颜色不变量模型：(2)二进制表达将原颜色相关矩阵中概率非0处以数值1 代替，使相关矩阵的数值量化成0 和1，从而有效抑制背景色的影响。
矩阵二进制表达示例如下：M 为6 ×6 的颜色相关矩阵，对其进行二值化处理，即所有非0 值变为1：（3）相似性度量（？）Jaccard 系数定义如下：，其中，n1,1、n1,0、n0,1分别表示2 个矩阵中相应元素为1 和1，1 和0，0 和1 的个数。
2.基于颜色相关图和纹理矩的（1）改进的颜色相关图（2）纹理矩（3）A：将RGB转换到HSV颜色空间中；量化转换来的HSV空间q，量化到[0-36]之间；B：使用纹理矩提取特征向量时，我们采用原始的RGB 颜色空间，将三原色累加作为灰度级别q = iR + iG + iB 。
C：特征向量的组成=图像三原色的统计+图像的颜色相关图+纹理矩。