显著性目标检测中的视觉特征及融合
视觉显著性检测算法及应用
• 91•1.概述显著性检测是计算机视觉领域的一个受关注领域。
其主要工作是通过建立视觉注意模型来模拟人的视觉系统。
在过去几十年中，视觉显著性和相关的认知神经学得到了广泛的研究。
人的视觉注意机制可以抑制不重要的信息，将有限的认知资源集中在场景中的重要刺激上。
在计算机视觉领域，显著性的研究是提出一种模拟人视觉注意机制的模型。
2.显著性检测算法的进展早期的视觉显著性算法从输入图像中提取如颜色、亮度、方向、运动等多方面的基本特征，通过数学计算形成各个特征的关注图，然后对数据进行归一化操作并融合特性信息得到视觉显著图。
现有的显著性检测的方法更加充分利用了各种图像信息：有利用背景先验的分层信息融合的、结合前后背景信息的、中心矩阵的、考虑多角度信息、融合多模型的、基于稀疏矩阵、基于背景检测的各种显著性检测算法。
近年来，随着人工智能技术的快速发展，在图像显著性检测领域引进了基于深度学习技术的卷积型神经网络CNN。
与基于对比度线索的传统方法不同，基于CNN的方法不在依赖人工方法设定特征，而是通过CNN自动计算特征值，减少了对中心偏置知识的依赖性，因此很多研究者采用了这种方法。
基于CNN的模型通常包括数十万个可训练的参数。
神经元具备可变接受字段大小特性，并拥有提供全局信息的能力。
3.视觉显著性检测算法的应用3.1 在目标跟踪领域的应用可以将视觉将显著性算法应用到移动目标跟踪。
结合视觉注意机制建立运动目标跟踪框架，使用时空显著算法，在测试视频序列上生成视觉图，在视觉图中找到对应重要区域，最终建立跟踪模型模型，实现移动目标跟踪。
对于复杂环境下的运动目标跟踪问题，可以将粒子滤波跟踪算法和视觉显著性特征算法相结合，利用显著性检测算法对待检测图片进行处理，对目标状态进行预测时采用二阶自回归模型，然后强化中心区域，同时弱化四周区域，生成最终显著图。
然后在视觉显著图中提取像素值较大的作为目标区域，同时自适应融合颜色特征，最终可以实现运动目标的跟踪。
基于深度神经网络的视觉显著性检测算法研究
基于深度神经网络的视觉显著性检测算法研究近年来，随着计算机视觉技术的快速发展，视觉显著性检测算法在多个领域得到了广泛运用。
视觉显著性检测可以识别图像或视频中最显著的区域，从而使图像或视频的理解更加容易。
这项技术在广告、图像检索、自动驾驶、医疗等领域，都有着重要的应用。
在视觉显著性检测算法中，基于深度神经网络的方法日益受到人们的关注。
这种方法可以有效地提高检测准确度，同时也可以减少复杂性和处理时间，使得该技术更加实用和具有可操作性。
一般来说，基于深度神经网络的视觉显著性检测算法主要包括四个步骤：特征提取、特征融合、分类器和显著性图生成。
首先，通过卷积神经网络从原始图像中提取有用的特征。
然后，特征融合将不同卷积层的特征进行组合，以便提高特征的表示能力和适应性。
接着，使用训练好的分类器判断图像中每个像素是否显著。
最后，根据分类的结果，生成与原始图像尺寸相同的显著性图。
在这个过程中，深度神经网络的一个关键优点是，它可以通过反向传播算法直接从数据中学习特征，而不需要手动设计和选择特征。
这使得深度神经网络可以更加准确地检测图像中的显著性区域，同时也可以避免在特征设计过程中产生的错误。
目前，基于深度神经网络的视觉显著性检测算法已经在许多应用场景中得到了广泛的应用。
例如，在广告行业中，该技术可以帮助广告商确定哪些区域更具吸引力，进而提高广告的点击率。
在自动驾驶领域，视觉显著性检测技术可以帮助车辆更好地感知周围环境，从而提高行驶的安全性和稳定性。
同时，在医疗领域，该技术可以协助医生自动诊断病情，帮助减少医疗工作的难度和繁重程度。
基于深度神经网络的视觉显著性检测算法的未来发展方向也非常值得关注。
其中之一的发展方向是集成多种深度神经网络结构，以便更好地发挥各自的优势。
另外，还可以探索如何将深度神经网络模型应用到视频显著性检测中，进一步扩展视觉显著性检测技术的适用范围和准确度。
总之，基于深度神经网络的视觉显著性检测算法是一种快速发展的技术，具有广泛的应用前景。
《基于深度学习的显著性目标检测优化方法的研究与应用》范文
《基于深度学习的显著性目标检测优化方法的研究与应用》篇一一、引言在计算机视觉领域中，显著性目标检测（Saliency Object Detection, SOD）已经成为了一个关键性的研究方向。
此项技术能够在复杂多变的图像环境中精准识别和定位最显著的目标物体，在视频监控、无人驾驶、机器人导航等应用中发挥着重要作用。
近年来，随着深度学习技术的飞速发展，基于深度学习的显著性目标检测方法逐渐成为研究热点。
本文将深入探讨基于深度学习的显著性目标检测的优化方法及其在多个领域的应用。
二、深度学习在显著性目标检测中的应用深度学习技术为显著性目标检测提供了新的思路和方法。
通过构建深度神经网络模型，可以有效地从大量图像数据中学习和提取特征，从而实现对目标的精准检测和定位。
目前，基于深度学习的显著性目标检测方法已经取得了显著的成果，但仍然存在一些挑战和问题，如计算复杂度高、误检率高等。
三、基于深度学习的显著性目标检测的优化方法针对上文所提的挑战和问题，本文提出以下优化方法：首先，针对计算复杂度高的问题，我们可以通过改进网络结构，如采用轻量级的卷积神经网络模型，减少计算量，提高检测速度。
同时，利用多尺度特征融合技术，可以有效地提高目标检测的准确率。
其次，针对误检率高的问题，我们可以通过引入注意力机制和上下文信息来优化模型。
注意力机制可以帮助模型关注到更重要的区域，从而提高目标检测的准确性。
而上下文信息则可以提供更多的背景信息，帮助模型更好地理解图像内容，减少误检。
四、应用经过优化的显著性目标检测方法在多个领域有着广泛的应用前景。
如可以应用于视频监控、无人驾驶、机器人导航等领域，帮助系统更准确地识别和定位目标物体，提高系统的性能和效率。
五、结论本文通过对基于深度学习的显著性目标检测的优化方法进行探讨，为该领域的研究提供了新的思路和方法。
未来我们将继续深入研究，以期在更多领域实现应用。
《基于深度学习的显著性目标检测优化方法的研究与应用》篇二一、引言随着深度学习技术的飞速发展，显著性目标检测在计算机视觉领域中得到了广泛的应用。
显著性目标检测技术在视觉检索中的应用
显著性目标检测技术在视觉检索中的应用近年来，随着视觉技术的发展，显著性目标检测技术得到了广泛应用。
显著性目标检测技术指的是通过计算图像中每个像素的显著性值，来确定哪些区域是图像中的重点目标。
这项技术对于图像处理和视觉检索非常有用，因为它可以加快图像搜索和分类的速度，从而提高视觉检索的准确性和效率。
一、显著性目标检测技术的原理显著性目标检测技术的原理是通过计算每个像素的“显著性值”来确定哪些区域是该图像的重点目标。
这个“显著性值”可以理解为该像素对于整张图片的视觉重要性。
计算显著性值的方法有很多种，最常用的方法是运用计算机视觉和机器学习算法。
例如，利用神经网络来训练一个模型，将模型应用于图像中，就可以计算出每个像素的显著性值。
这个模型可以根据需要进行修改和调整，以适应不同的应用场景。
二、显著性目标检测技术的应用显著性目标检测技术可以在很多领域中应用，如图像搜索、图像重排、图像分类和视频分析等。
其主要优势在于，它可以帮助用户快速获得需要的信息。
下面我们来看一些具体的应用：1. 图像搜索：当我们需要找到一张图片中的特定物品时，显著性目标检测技术可以帮助我们快速地定位到该物品。
例如，当我们需要找到一张包含汽车的图片时，显著性目标检测技术可以帮助我们快速地找到汽车的位置，然后进一步筛选与该关键词有关的图片，以提高搜索的效率。
2. 图像重排：对于一个图库中的图片进行重排时，显著性目标检测技术可以帮助我们将重要的图片排在更靠前的位置。
这有助于提高用户检索相关图片的速度。
3. 图像分类：显著性目标检测技术可以帮助计算机快速、准确地对一张图片进行分类。
例如，在图书馆分类系统中，利用显著性目标检测技术对不同的图书进行分类，可以提高分类的准确性和效率。
4. 视频分析：对于大量视频的分析，显著性目标检测技术可以用于快速识别视频中的重要信息。
例如，在监控视频分析中，计算机可以利用显著性目标检测技术来快速地找到特定的人或车辆，从而帮助警方迅速解决问题。
视觉显著性检测
图4 Itti模型
图5视觉显著性检测计算模型对于一幅输入的图像，该模型提取初级视觉特征：颜色（RGBY）、亮度和方位、 在多种尺度下使用中央周边(Center-surround)操作产生体现显著性度量的特征图，将这些特征图合并得到最终 的显著图(Saliency map)后,利用生物学中赢者取全(Winner-take-all)的竞争机制得到图像中最显著的空间位 置,用来向导注意位置的选取，最后采用返回抑制 (Inhibition of return)的方法来完成注意焦点的转移。视 觉显著性计算模型大致上可分为两个阶段：特征提取与特征融合。在特征融合阶段，可能存在自底向上的底层特 征驱动的融合方式，和自顶向下的基于先验信息与任务的融合方式。因此，视觉显著性检测模型框架大致表述为 如图 5所示。
算法
LC算法 HC算法
AC算法 FT算法
LC算法的基本思想是：计算某个像素在整个图像上的全局对比度，即该像素与图像中其他所有像素在颜色上 的距离之和作为该像素的显著值 。
图像中某个像素的显著值计算如下： 其中的取值范围为 [0,255]，即为灰度值。将上式进行展开得： 其中N表示图像中像素的数量。 给定一张图像，每个像素的颜色值已知。假定，则上式可进一步重构： 其中，表示图像中第n个像素的频数，以直方图的形式表示。 LC算法的代码实现： 1、直接调用OpenCV接口，实现图像中像素的直方图统计，即统计[0,255]中每个灰度值的数量。 2、计算像素与其他所有像素在灰度值上的距离。 3、将灰度值图像中的像素值更新为对比度值（即距离度量）。
基于视觉显著性的图像融合研究
基于视觉显著性的图像融合研究随着计算机技术的不断发展，图像处理技术已经成为了一个不可忽视的领域。
其中，图像融合技术在许多领域都得到了广泛的应用，如监控、遥感以及医学图像等领域。
其中，基于视觉显著性的图像融合是当前研究的热点之一。
一、视觉显著性的概念和特征视觉显著性是指场景中与众不同的、引人注目的部分。
在人的视觉系统中，视觉显著性是通过底层特征和高层特征进行计算的。
底层特征指的是色度、亮度等基本的图像特征。
高层特征则是指图像的纹理、形状等高级特征。
而视觉显著性的计算则是通过这些特征综合得出的。
二、基于视觉显著性的图像融合技术基于视觉显著性的图像融合技术通过计算图像各部分的视觉显著性，从而实现对不同输入图像的融合。
这种算法的核心是图像区域的加权，以保持图像的平滑过渡。
该技术的应用非常广泛，如监控、遥感以及医学图像等领域。
三、基于“视觉热力图”的图像融合技术在视觉显著性的基础上，又出现了基于“视觉热力图”的图像融合技术。
这种技术可以给出一个与输入图像大小相同的视觉显著性热力图，这个热力图可以精确地区分图像中的显著部分和不显著部分。
该技术因其高效和精度而备受关注。
四、基于机器学习的图像融合技术除了视觉显著性之外，机器学习技术也被应用于图像融合领域。
机器学习技术可以自主学习图像特征，根据特征将各个图像区域分为显著和不显著。
这种技术的优点是可以应用于各种场景和各种类型的图像，与传统技术相比，融合效果更加自然、准确。
五、基于深度学习的图像融合技术深度学习技术在图像融合领域也得到了广泛的应用。
深度学习技术可以学习输入图像的特征，并以不断迭代的方式自主学习图像融合的过程。
深度学习技术可以在不看先前的图像融合结果的情况下自主进行图像融合，从而大大提高了融合效果和自主性。
六、结语基于视觉显著性的图像融合技术是目前图像处理领域中的热点之一。
不同于传统的图像融合技术，视觉显著性技术可以有效的保留图像的细节和显著部分，从而使得融合效果更加自然、准确。
多尺度视觉感知融合的显著性目标检测
多尺度视觉感知融合的显著性目标检测目标检测是计算机视觉领域中的关键任务之一。
准确地检测并定位图像中的感兴趣目标对于实现自动化分析和理解具有重要意义。
在目标检测任务中，显著性目标检测是其中的一个重要研究方向，其目标是从图像中自动地识别并定位出显著性目标。
近年来，多尺度视觉感知融合的显著性目标检测方法受到了广泛的关注。
这一方法旨在利用图像中的多个尺度信息来提高目标检测的准确性和鲁棒性。
在这种方法中，图像在不同尺度下进行处理和分析，然后将不同尺度的结果进行融合，从而得到最终的目标检测结果。
为了实现多尺度视觉感知融合的显著性目标检测，研究者们提出了各种不同的方法和算法。
其中一种常见的方法是使用图像金字塔技术对图像进行多尺度表示。
图像金字塔是一种将原始图像根据不同的尺度进行分解的技术，可以得到一系列尺度不同的图像。
通过在不同尺度的图像上进行目标检测，可以获得更全面和鲁棒的检测结果。
除了图像金字塔技术，研究者们还提出了其他的多尺度处理方法。
例如，一些研究者利用卷积神经网络（Convolutional Neural Networks，CNN）在不同尺度上对图像进行处理和特征提取。
CNN是一种深度学习模型，可以学习并提取图像中的特征。
通过在不同尺度上应用CNN，可以得到具有不同感受野的特征图，从而增强目标检测的能力。
此外，研究者们还提出了多尺度融合的方法来综合利用不同尺度的检测结果。
例如，一些方法使用加权平均或者投票的方式融合不同尺度的检测结果。
这样的融合方法可以有效地提高目标检测的准确性。
此外，还有一些方法使用递归神经网络（Recurrent Neural Networks，RNN）来进行多尺度融合。
RNN是一种具有记忆性的神经网络，可以利用之前的信息来指导后续的处理过程。
在实际应用中，多尺度视觉感知融合的显著性目标检测已经取得了一些重要的进展。
例如，该方法在视频监控、无人驾驶、智能交通等领域都有广泛的应用。
视觉显著性检测方法及其应用研究
视觉显著性检测方法及其应用研究随着科学技术和多媒体技术的发展,人们在日常生活中产生的多媒体数据,尤其是图像数据呈指数级增长。
海量的图像数据除了使人们的日常生活变得丰富多彩和便利之外,也给计算机视觉处理技术提出了新的挑战。
大部分图像中只包含了少量重要的信息,人眼视觉系统则具有从大量数据中找出少量重要信息并进行进一步分析和处理的能力。
计算机视觉是指使用计算机模拟人眼视觉系统的机理,并使其可以像人类一样视察与理解事物,其中的一个关键问题为显著性检测。
本文针对目前已有显著性检测方法存在的问题,将重点从模拟人眼视觉注意机制以及针对图像像素和区域的鲁棒特征提取方法进行专门的研究。
同时,本文还将显著性检测思想和方法引入到场景文本检测的研究中,既能提高场景文本检测的性能,又能拓展基于显著性检测的应用范畴。
针对人眼视觉注意机制的模拟,本文提出了一种基于超像素聚类的显著性检测方法。
该方法分析了人眼视觉注意机制中由粗到细的过程,并采用计算机图像处理技术来模拟该过程。
具体而言,本文首先将原始图像分割为多个超像素,然后采用基于图的合并聚类算法将超像素进行聚类,直到只有两个类别为止,由此得到一系列具有连续类别(区域)个数的中间图像。
其中在包含类别数越少的中间图像中的区域被给予更大的权重,并采用边界连通性度量来计算区域的显著性值,得到初始显著性图。
最终基于稀疏编码的重构误差和目标偏见先验知识对初始显著性图进一步细化得到最终的显著性图。
针对鲁棒特征提取,本文提出了一种基于区域和像素级融合的显著性检测方法。
对于区域级显著性估计,本文提出了一种自适应区域生成技术用于区域提取。
对于像素级显著性预测,本文设计了一种新的卷积神经网络(CNN)模型,该模型考虑了不同层中的特征图之间的关系,并进行多尺度特征学习。
最后,提出了一种基于CNN的显著性融合方法来充分挖掘不同显著性图(即区域级和像素级)之间的互补信息。
为了提高性能和效率,本文还提出了另一种基于深层监督循环卷积神经网络的显著性检测方法。
- 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)。
第34卷第8期2017年8月计算机应用与软件Computer Applications and SoftwareVoL34 No.8Aug.2017显著性目标检测中的视觉特征及融合袁小艳u王安志1潘刚2王明辉1\四川大学计算机学院四川成都610064)2 (四川文理学院智能制造学院四川达州635000)摘要显著性目标检测，在包括图像/视频分割、目标识别等在内的许多计算机视觉问题中是极为重要的一 步，有着十分广泛的应用前景。
从显著性检测模型过去近10年的发展历程可以清楚看到，多数检测方法是采用 视觉特征来检测的，视觉特征决定了显著性检测模型的性能和效果。
各类显著性检测模型的根本差异之一就是 所选用的视觉特征不同。
首次较为全面地回顾和总结常用的颜色、纹理、背景等视觉特征，对它们进行了分类、比较和分析。
先从各种颜色特征中挑选较好的特征进行融合，然后将颜色特征与其他特征进行比较，并从中选择较 优的特征进行融合。
在具有挑战性的公开数据集ESSCD、DUT-0M0N上进行了实验，从P R曲线、F-M easure方法、M A E绝对误差三个方面进行了定量比较，检测出的综合效果优于其他算法。
通过对不同视觉特征的比较和 融合，表明颜色、纹理、边框连接性、Objectness这四种特征在显著性目标检测中是非常有效的。
关键词显著性检测视觉特征特征融合显著图中图分类号TP301.6 文献标识码 A DOI：10. 3969/j. issn. 1000-386x. 2017.08. 038VISUAL FEATURE AND FUSION OF SALIENCY OBJECT DETECTIONYuan Xiaoyan1,2Wang Anzhi1Pan Gang2Wang Minghui11 (College o f Computer Science，Sichuan University，Chengdu 610064，Sichuan，China)2 {School o f Intelligent M anufacturing, Sichuan University o f A rts and Science, Dazhou 635000, Sichuan, China)Abstract The saliency object detection is a very important step in many computer vision problems, including video image segmentation, target recognition, and has a very broad application prospect. Over the past 10 years of development of the apparent test model, it can be clearly seen that most of the detection methods are detected by using visual features, and the visual characteristics determine the performance and effectiveness of the significance test model. One of the fundamental differences between the various saliency detection models is the chosen of visual features. We reviewed and summarized the common visual features for the first time, such as color, texture and background. We classified them, compared and analyzed them. Firstly, we selected the better features from all kinds of color features to fuse, and then compared the color features with other characteristics, and chosen the best features to fuse. On the challenging open datasets ESSCD and DUT-OMON, the quantitative comparison was made from three aspects：PR curve, F-measure method and MAE mean error, and the comprehensive effect was better than other algorithms. By comparing and merging different visual features, it is shown that the four characteristics of color, texture, border connectivity and Objectness are very effective in the saliency object detection.Keywords Saliency detection Visual feature Feature fusion Saliency map收稿日期:2017-01-10。
国家重点研究与发展计划项目（2016丫?80700802,2016丫?80800600);国家海洋局海洋遥感工程技术 研究中心创新青年项目（2015001)。
袁小艳，讲师，主研领域:计算机视觉，机器学习，个性化服务。
王安志，讲师。
潘刚，讲师。
王 明辉，教授。
214计算机应用与软件2017 年〇引言人类视觉系统可以快速准确地定位目标，显著性 目标检测就是通过模拟人类的这一行为提取较为完整 的整体目标，即显著性区域。
早期研究是基于生物刺 激模型和评价人眼固定数据，现在研究则侧重于视觉 特征的研究，诸如各种颜色特征、纹理特征、形状特征 以及背景特征等，并且这些特征也应用于其他领域，如图像分割[1]、目标跟踪[2]和行人检测[3]等。
每一种 视觉特征都有其自身的特点，但却无法完整地描述图 像的全部信息，因此多种特征融合的检测方法势在必 行，能有效提高显著性检测的性能和效率，如李波等[4]融合了颜色对比度、分布与背景特征，姜霞霞等[5]融合了结构特征和颜色特征。
这些研究都仅仅局限于几种 视觉特征的融合，没有对视觉特征做进一步的研究。
我们该如何从众多的图像视觉特征中选择出合适 的特征组合？为了解决这个问题，文中对目前常用的 视觉特征进行分析研究，并进一步探索这些特征的组 合，从而得到显著图，其流程如图1所示。
将本文算法 在2个较难的数据集E S S C D和D U T-O M O N中共计 6 〇〇〇余张图像上进行测试，并与典型的7个算法进行 比较，实验验证了该算法的有效性，实验结果也优于这 7个算法。
图1本文算法流程图1相关工作由于显著性目标检测的重要性，越来越多的研究 者投入到其中。
I t t i等[6]采用了颜色、亮度和方向特征 融合，在显著性检测方向开创了先河。
程明明等[7]提 出利用颜色直方图、颜色对比度来计算全局特征的显 著性检测算法。
K im等[8]使用了颜色对比度、颜色直 方图、颜色分布等多种颜色特征和H O G、形状特征来 计算颜色相似性、差异性，并进行高维颜色转换以得到显著图。
为了使灰度旋转不变，O ja la等[9]提出了 采用均勻L B P直方图降低噪音，提取图像局部的纹理 特征。
M irm a h d a viA等[1G]采用Gabor•滤波器提取全局 纹理特征。
针对已有的显著检测算法对背景复杂的图 像检测效果较差的问题，W a n g等[11]提出融合背景概 率和O b je ctn e ss特征的显著目标检测算法。
Jiang 等[12]提取了 Focusness、Uniqueness、Objectness 三种高 级特征，并进行融合。
人。
1^1^等[13]在频率域使用颜 色和亮度特征计算中心-环绕对比度，计算非常高效。
2视觉特征及其融合2.1 视觉特征图像视觉特征是指图像的属性数据，包含了一定 的语义，可以用来表示图像内容。
研究图像必然会用 到视觉特征，如颜色、形状、方向等。
每种视觉特征所 包含的信息是不同的，对显著性检测的作用也是不 同的。
2.1.1颜色特征相较于其他特征，人类更容易辨别的是颜色特征，因此颜色特征在图像处理中被大量使用。
颜色特征具 有多种颜色空间，如RG b、h i s、h s v、y i q、c m y、C IE L A B、Y U V等。
R G B主要描述基础彩色（红、绿、蓝）的亮度值;H IS和H S V描述颜色的色调、亮度和饱 和度，主要用于颜色的数字化处理，比R G B更接近于 人们的经验和对彩色的感知。
C IE L A B是与设备无 关、基于生理特征的颜色系统，描述颜色的亮度和色 度，其颜色比R G B更丰富。
研究发现，显著性检测算 法均用到了颜色特征，R G B、H S V、C IE L A B是最常用 的三种颜色空间，不同的颜色空间可以相互转换。
颜 色特征提取的常用方法有颜色对比度、颜色直方图、颜 色分布。
颜色对比度是常用的获取颜色特征的方法，用于 计算局部区域或全局区域间的颜色相似性和差异性，即局部颜色对比度和全局颜色对比度，突出图像中显 著区域，展示显著对象的独特性。
K im[8]和L i[14]等利 用颜色特征计算了局部和全局颜色对比度。
全局颜色 对比度计算如下：⑴局部颜色对比度计算如下：L C t=(2)其中心，&.)是指区域纟和y的颜色值的欧几里得距 离，是区域数量。
第8期袁小艳等：显著性目标检测中的视觉特征及融合215wl°,j = p ：exp ( _ 2^ I I loc, - locj I I 2)Z 〇C l 是区域i 的平均位置，P ,是标准化因子。
颜色直方图是被广泛使用的提取颜色特征的方 法，用于描述颜色的基本色调和组成分布、不同色彩在图像中所占的比例。
K im 等[8]计算了 R G B 直方图、L A B 直方图、色调直方图和饱和度直方图。
全局直方图计算公式如下：j = l d is (h ^hj) ⑶局部直方图计算公式如下：L H t =(4)其中是指区域i ；和y 的颜色直方图b i n 的卡方距离，《是区域数量。