基于HSV颜色直方图的图像检索算法性能分析
图像颜色特征提取基本知识
一、颜色特征 1 颜色空间 1.1 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。 1.2 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。1.3 HSV 颜色模型 HSV 颜色模型依据人类对于色泽、明暗和色调的直观感觉来定义颜色, 其中H (Hue)代表色度, S (Saturat i on)代表色饱和度,V (V alue)代表亮度, 该颜色系统比RGB 系统更接近于人们的经验和对彩色的感知, 因而被广泛应用于计算机视觉领域。 已知RGB 颜色模型, 令M A X = max {R , G, B },M IN =m in{R , G,B }, 分别为RGB 颜色模型中R、 G、 B 三分量的最大和最小值, RGB 颜色模型到HSV 颜色模型的转换公式为: S =(M A X - M IN)/M A X H = 60*(G- B)/(M A X - M IN) R = M A X 120+ 60*(B – R)/(M A X - M IN) G= M A X 240+ 60*(R – G)/(M A X - M IN) B = M A X V = M A X 2 颜色特征提取算法 2.1 一般直方图法
基于内容的图像检索_累加直方图算法
基于容的图像检索——累加直方图算法 摘要 随着多媒体、网络技术的迅速发展，图像信息的应用日益广泛，对规模越来越大的图像数据库、可视信息进行有效的管理成为迫切需要解决的问题，灵活、高效、准确的图像检索策略是解决这一问题的关键技术之一。因此，基于容的图像检索已成为国外学者研究的主要热点问题，并取得了不少的成果。 本文主要对当今热门的基于容的图像检索技术进行了研究，重点对它的算法进行研究。在半年的时间里，通过查阅很多相关的资料，并认真学习了基于容的图像检索的基本理论，特别是深入研究了颜色直方图理论和累加直方图算法，最后在MATLAB平台下编程实现此系统，该系统可以实现基本图像检索的功能，根据用户输入的样本图像来与图像库中的图像进行特征匹配，然后找出与样本图像距离比较小的若干幅图像，并按照图像之间的距离由小到大的顺序显示给用户。 经过对该系统进行反复的调试运行后，该系统所实现的功能基本达到了设计目标，并且运行良好。当用户提供出所要查询的关键图后，系统就可以从用户提供的图像库中检索到与关键图相似的图片并排序返回给用户，达到了预期效果。 关键词：图像检索累加直方图颜色特征 MATLAB
目次 1 绪论 (1) 1.1 国外的研究现状 (1) 1.2 选题意义及本文研究的容 (3) 2 基于容的图像检索的简介 (4) 2.1 基于容的图像检索技术的概述 (4) 2.2 基于容的图像检索的关键技术 (5) 3 基于容的图像检索原理和特点 (6) 3.1 基于容的图像检索的原理及处理过程 (6) 3.2 基于容图像检索的特点 (8) 4 颜色特征理论 (8) 4.1 颜色模型 (9) 4.2 颜色特征提取 (10) 5 直方图理论 (12) 5.1 颜色直方图 (12) 5.2 直方图的矩 (13) 5.3 直方图均衡化算法 (14) 5.4 基于直方图的图像检索技术分析 (14) 6 累加直方图算法 (16) 6.1 累加直方图 (16) 6.2 算法实现 (18) 6.3 改进的局部累加直方图算法 (18)
基于颜色直方图的图像检索(实验分析)
基于颜色直方图的图像检索 作者:吴亚平学号:200812017081203009 1.概述 在过去的十几年间，有许多知名机构都对图像检索系统进行了深入的研究，病开发出了相应的检索系统，例如IBM Almaden研究中心研制的QBIC系统，Virage公司研发的VIRAGE系统，麻省理工大学多媒体实验室研发的Photobook系统，哥伦比亚大学研发的VisualSeek系统，斯坦福大学研发的WBIIS系统，U.C.伯克利分校研发的Blobworld系统等等。 这些检索系统的基本特征都是基于图像像素值的特征提取相应的规则图像，例如形状、颜色、纹理等，并以此为依据对图像进行比较检索，在这篇论文中，系统采用了基于颜色特征提取的检索。基于直方图在两个颜色空间对图像特征进行判定检索。这两个颜色空间是RGB和HSV。通过对两副图像对应的RGB和HSV 值计算其距离，依据距离的远近来判断相似性，这种方法简单易行，由于丢弃了图像的形状、颜色、纹理等信息，判定的计算量相对较小。当然这也导致了两副图像之间的判定没有实际的语义上的关联，也就是说，距离相近的图像并不一定有事实上的相应联系。但是，经过试验的判定，这种基于直方图的图像检索系统能够为图片检索提供相对精确的检索结果。 2.相关知识 2.1. RGB颜色空间 RGB颜色模型中每种颜色都是由红绿蓝三种颜色组成。这种颜色模型在许多CRT显示器和彩色光栅图形设备中被广泛使用。这三种颜色被认为是其他颜色的
添加剂，对于所需要的颜色通过对这三种颜色进行不同的比例进行相加即可得到。RGB模型可以用如下的颜色坐标系表示。注意从（0，0，0）到（1，1，1）的对角线，白色代表了灰阶，RGB色彩模式俯视从白色开始的。 2.2. HSV颜色空间（也称HIS颜色空间） HSV字母分别代表了色度（Hue），饱和度（Saturation），色调。上面的锥形图说明HSV的颜色模型。Value代表了颜色的强度，他是从图像信息中分离出来，可以表示相关信息的部分。色度和饱和度代表了颜色在人眼中的生理特征。色度与红色等颜色从0到1的表示不同，色度是从红色通过黄，绿，青，蓝，洋红色，再回到红色。饱和度的区分是从0 到 1，他通过值大小来影响颜色的饱和度。对于色调，也是从0到1，随着他的增大，图像的颜色就会越来越亮。
c#灰度直方图算法及调用
颜色直方图 颜色直方图是在许多图像检索系统中被广泛采用的颜色特征，它所描述的是不同色彩在整福图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色直方图特别适用于描述那些难以进行自动分割的图像 灰度直方图 灰度直方图是灰度级的函数，它表示图像中具有每种灰度级的像素的个数，反映图像中每种灰度出现的频率。灰度直方图的横坐标是灰度级，纵坐标是该灰度级出现的频率，是图像的最基本的统计特征。 灰度直方图的算法实现 大致步骤如下： 1.将图像转换成相同大小，以有利于计算出想象的直方图来 2.计算转化后的会度直方图 3.利用xx公式，得到直方图相似度的定量度量 4.输出这些不知道有用没用的相似度结果数据 代码实现 步骤1.将图像转化成相同大小，我们暂且转化成256×256吧 public static Bitmap Resize(string imageFile, string newImageFile) { Image img = Image.FromFile(imageFile); Bitmap imgOutput = new Bitmap(img, 256, 256); imgOutput.Save(newImageFile, System.Drawing.Imaging.ImageFormat.Jpeg); imgOutput.Dispose(); return (Bitmap)Image.FromFile(newImageFile); } 解释一下：imageFile是原始图片的完整路径，newImageFile是强制转换大小后的256×256图片的路径，为了“赛”后可以看到我们转化出来的图片长啥样，所以我就把它保存到了本地了，以至于有了上面的代码 步骤2.计算图像的直方图 ///
基于内容的图像检索方法研究现状
基于内容的图像检索方法研究现状 【摘要】本文对基于内容的图像检索方法做了较详细的总结，其中主要讨论了空间域图像检索算法，基于颜色、形状、纹理、频率域的图像检索算法，进行研究比较。 【关键词】图像检索方法；颜色图像检索算法、形状图像检索算法、纹理图像检索算法、频率域的图像检索算法 一、引言 为了解决基于文本关键字的图像检索存在的问题，基于内容的图像检索方法成为图像检索的研究热点。基于内容的图像检索方法就是在将图像存入图像库的同时，自动提取反映该图像内容的特征向量，并存入与图像库相连的特征库。在进行图像检索时，对每一幅给定的查询图像自动提取该图像的特征向量，通过将该图像特征向量与特征库中的特征向量进行匹配，并根据匹配结果到图像库中搜索，就可提取出与所查询图像最相似的图像。 二、空间域图像检索算法 随着基于内容图像检索算法为人们所逐渐重视，空间（像素）域图像检索算法被广泛研究。所谓空间域图像检索是指直接在数字图像矩阵上提取图像特征，对图像进行相似性匹配，提取特征为颜色，形状和纹理信息。 2.1基于颜色的图像检索方法 颜色具有一定的稳定性，是图像最直观而明显的特征，因此成为检索中最常用的视觉特征。基于颜色的图像特征一般采用直方图来描述，其算法基本上都是以颜色直方图相交算法为基础而设计。用色彩特征进行图像检索可以追溯到Swain和Ballard提出的色彩直方图的方法。主要可以分为两类：全局色彩特征索引和局部色彩特征索引。 1、全局色彩特征索引 全局色彩特征索引方法目前采用最多的是色彩直方图的方法。Pass等人提出以图像的色彩聚合矢量CCV来作为图像的索引，它是图像直方图的一种演变。Stricker和Orengo提出了累计色彩直方图方法，并提出了色彩矩的方法，认为色彩信息集中在图像色彩的低阶矩中。他们对每种色彩分量的一阶、二阶和三阶矩进行统计。Rickman和Stonham提出了色彩元组直方图的方法，将一幅图像中的所有色彩用一些色彩元组来表示，这些色彩元组特征形成了一个特征编码簿，然后对一幅图像中特定位置的n个采样点所对应的色彩元组的特征值在特征编码簿中出现概率进行统计，就形成了一个色彩元组的直方图。
关于颜色的几个算法
?流行色算法 流行色算法的基本思路是:对彩色图像中所有彩色出现的次数做统计分析，创建一个数组用于表示颜色和颜色出现频率的统计直方图。按出现频率递减的次序对该直方图数组排序后，直方图中的前256 种颜色就是图像中出现次放最多(频率最大) 的256 种颜色，将它们作为调色板的颜色。该算法用统计直方图来分析颜色出现的频率，因此且称为彩色直方图统计算法。图像中其他的颜色采用在RGB 颜色空间中的最小距离原则映射到与其邻近的256种调色板颜色上。流行色算法实现较简单，对颜色数量较小的图像可以产生较好的结果，但是该算法存在的主要缺陷是，图像中一些出现频率较低，但对人眼的视觉效挺明显的信息将丢失。比如，图像中存在的高亮度斑点，由于出现的次数少，很可能不能被算法选中，将被丢失。 ?中位切分算法 中位切分算法的基本思路是：在RGB 彩色空间中，R 、G 、B 三基色对所对应于空间的三个坐标轴，将每坐标轴部量化为0 - 255 。对应于最暗(黑) ，255 对应于最亮，这样就形成了一个边长为256 的彩色立方体。所有可能的颜色都对与立方体内的一个点; 将彩色方体切分成256个小立方体，每个立方体中都包含相同数量的在图像中出现的颜色点；取出每个小立方体的中心点，则这些点所表示的颜色就是我们所需要的最能代表图像颜色特征的256 种颜色。中位切分算法是PauJ Heckbert在80 年代初提出来的，现被广泛应用于图像处理领域。该算法的缺点是涉及复杂的排序工作，而且内存开销较大。 ?八叉树算法 1988 年，奥地利的M. Gervautz和W. Purgathofer 发表了一篇题为"A Simple Method for Color Quantization: Octree Quantization" 的论文，提出了种新的采用八义树数据结构的颜色量化算法，一般称为八叉树颜色量化算法。该算法的效率比中位切分算法高而且内存开销小。 八叉树颜色量化算法的基本思路是：将图像中使用的RGB 颜色值分布到层状的八叉树中。八叉树的深度可达九层，即根节点层加上分别表示8位的R、G 、B 值的每一位的八层节点。较低的节点层对应于较不重要的RGB 值的位(右边的位) ，因此，为了提高效率和节省内存，可以去掉最低部的2 ~ 3 层，这样不会对结果有太大的影响。叶节点编码存储像素的个数和R 、G 、B 颜色分量的值；而中间的节点组成了从最顶层到叶节点的路径。这是一种高效的存储方式，既可以存储图像中出现的颜色和其出现的次数，也不会浪费内存来存储图像中不出现的颜色。 扫描图像的所有像素，每遇到种新的颜色就将它放入八叉树中，并创建一个叶节点。图像扫描完后，如果叶子节点的数量大于调色板所需的颜色数时，就需要将有些叶子节点合并到其上一层节点中，并将该节点转化成叶节点，在其中存储颜色且其出现的次数。这样，减少叶节点的数量，直到叶节点的数量等于或小于调色板所需的颜色数。如果叶节点的数量小于或等于调色板所需的颜色数，则可以遍历八叉树，将叶子节点的颜色填入调色饭的颜色表
基于颜色特征的图像检索算法的实现
目录 摘要 (1) 关键字 (1) 1绪论 (1) 1.1 基于内容的图像检索的概念 (1) 1.2 基于内容的图像检索的发展历史 (1) 1.3 基于内容的图像检索的特点和主要应用 (1) 1.4 基于内容的图像检索的关键技术 (2) 1.5 国内外研究现状 (3) 1.5.1 国外研究现状 (3) 1.5.2 国内研究现状 (4) 2 基于颜色特征的图像检索方法 (4) 2.1 颜色度量体系 (4) 2.2 颜色空间 (5) 2.2.1 RGB颜色空间 (5) 2.2.2 HSV颜色空间 (5) 2.2.3 CMY颜色空间 (6) 3 颜色特征的表达 (7) 3.1 颜色直方图 (7) 3.2 累加直方图 (8) 4 图像特征的相似性匹配 (9) 4.1 距离度量方法 (9) 4.2直方图的交集的方法 (9) 4.3 欧式距离法 (9) 5 图像检索算法实现 (10) 5.1程序开发运行环境 (10) 5.2 程序检索逻辑 (10) 5.3 算法具体实现 (11) 5.4 实例演示 (14) 6 全文总结与展望 (15) 6.1 全文总结 (15) 6.2 展望 (15) 致谢 (15) 参考文献 (16) 英文摘要 (16)
基于颜色特征的图像检索算法的实现 摘要：文章介绍了一种基于颜色特征的图像检索技术的算法并给出了程序实现。首先介绍了基于内容的图像检索技术、发展历史及基于内容的图像检索技术的特点和主要应用，并在此基础上探讨了该领域所用到的一些关键技术。文章着重探讨了图像的颜色空间、图像特征提取及图像相似性度量等内容，并利用matlab技术实现了一个简单图像检索的程序。文章最后则对当前基于内容图像检索技术研究热点和今后的发展方向进行简单的阐述。 关键字：基于内容的图像检索；颜色特征；颜色直方图；相似度度量方法 1 绪论 1.1 基于内容的图像检索的概念 基于内容的图像检索[1]（Content Based Image Retrieval, CBIR）是一项从图像数据库中找出与检索式内容相似的图像的检索技术。它利用从图像中自动抽取出来的底层特征，如颜色、纹理、轮廓和形状等特征，进行计算和比较，检索出符合用户需求的结果图像集。目前图像检索系统技术实现的基础是对底层特征信息的计算和比较，也即是“视觉相似”。 1.2 基于内容的图像检索的发展历史 图像检索技术的发展[2]可以分为两个阶段，第一阶段始于70年代，当时的图像检索是通过人工的标注来实现的，随着计算机技术和通信网技术的发展，特别是因特网的快速发展，图像数据的容量越来越大了，这种“以关键字找图”的方法越来越不适应检索技术的发展了。由于图像内容的丰富内涵以及人们对图像内容进行抽象时的主观性不同的人对同一幅图像有不同的理解，这就引入了主观多义，不利于检索。为了克服文本标注检索的弊端，90年代研究者提出了基于内容的图像检索，其方法是:根据图像的颜色特征、纹理特征、形状特征以及空间关系等作为索引，计算查询图像和目标图像之间的相似距离，然后按相似度匹配进行检索，这种技术很大程度地利用了人们的视觉客观特性，避免不同人对图像主观理解的不同而达不到理想的搜索效果。从研究方向的层面来看，基于内容的图像检索可分为三层：第一层是根据图像的底层特性来进行检索，如颜色、纹理，形状等等，涉及图像信息处理、图像分析和相似性匹配技术；第二层是基于图像对象语义，如图像中实体及实体之间的拓扑关系的检索，对象级检索技术建立在下层特征基础上，并引入了对象模型库、对象识别和人工智能等图像理解技术；第三层是基于图像的抽象属性如行为语义，情感语义和场景语义的推理学习来进行检索。需要用到知识库和更加有效的人工智能和神经网络技术。这三个层次由低到高，与人的认知接近，下一个层次通常包含了比上一个层次更高级的语义，更高层的语义往往通过较低层的语义推理获得。尽管经过了多年的研究，较为成熟的基于内容的图像检索技术目前仍处于底层水平，由于底层研究是上层研究的基础，为了给上层建立准确、有效的图像特征提取方法，底层的研究仍在不断的发展。 1.3 基于内容的图像检索的特点和主要应用 基于内容的图像检索技术有以下特点[3]： 一是它突破了传统的基于表达式检索的局限，从媒体内容中提取信息线索。
图像检索
所谓bag of word认为 文档就是一个词的集合，忽略任何语法或者出现顺序关系。 摘要 本文描述一种物体和影像搜索方法,即搜索并将用户在一个影像中看到的大致图像的所有点局部化。物体是由一系列视觉不变的区域点来代表的，所以即使在视角、光照和空间闭合上发生了改变，图像还是能够被成功辨别出来。在某一个视觉内的图像的局部连续性被用于追踪某些区域点，以便排除易变的区域点和减少在描述过程中噪音的影响。 该方法与文本检索的类似之处在于对被预先计算（利用矢量化）的描述点的匹配方法，和反序的文件系统以及文档排序都被使用。结果是检索是即时的，利用谷歌的方式返回一个关键电影画面或者关键点的排序列表。 下面以匹配两个标准长度的故事片来阐述这个方法。 1.介绍 我们的目标是检索出在包含了一个在位移、速度和精确度上都具有特殊性的物体的视频里面的关键电影画面和点，正如谷歌也利用位移、速度和精确度来检索包含了关键字的文本文档（网页）。该论文研究的是文本检索方法是否能够被成功应用于物体识别。 识别图像库里的一个（可识别的）物体的技术，现在已经大致成熟，但仍存在一些值得攻破的难题，因为视角和光照或者局部损坏，一个物体的视觉外观可能会非常不同，但是成功（识别）的方法现在还是存在的。一个物体通常由一系列交叉区域来表示，每个区域又由通过计算区域外观所得的一个矢量来表示。这个区域段和描述点是依据在一定视角和光照条件下设定的等级可控的空间不变性来构建的。类似的描述点被计算以供数据库里面的所有图像使用。通过描述向量的就近匹配，或者本地空间连贯性（例如邻接点、顺序或者空间布局）进行排歧，又或者全局关系（例如对极几何）来识别一个特定的物体。 例子包括[5, 6, 8, 11, 13, 12, 14, 16, 17]。 我们探索的是这类识别方法是否像文本检索那样被重铸。实际上，这要求一个单词的视觉类比，在这里我们通过矢量化描述向量提供这种类比。然而，人们将看到，现在做得更多的是与文本检索进行类比而不是在不同的向量矢量化（算法）上进行最优化。目前有很多在文献检索中已经被学习和发展了的经验教训和翻阅规则，这些值得被进一步确定是否同样能够应用于视觉检索中。 这种方法的好处是通过预计算，匹配是有效的，因此在包含任何特定物体的电影画面和视觉中，检索是无延迟的。这意味着任何出现在视频中的物体（包括多个物体的同时出现）都能够被检索出来，即使这些物体在构建对视频的描述时并没有明显的用处。然而，我们还是必须确定这些已经被矢量化了的向量是否遗漏了任何匹配，而这些匹配恰恰是使用最近邻接匹配的前一种方法能够获得的。 文本检索的回顾：文本检索系统一般采用的是一系列标准的步骤。文档首先被解析为一个个单词，然后这些单词用它们的原始词表示，比如单词“walk”、“walking”以及“walks”均被表示为“walk”。第三步，建立一个（索引中不列出的）省略词语表用来排除非常常用的单词，如“the”和“an”，这些几乎在大部分文档中都会出现，所以在一篇特定的文档中不再识别它们。那些剩下的单词则被指定一个唯一的识别符，然后每篇文档被表示为依据单词在文档中的出现频率得出的一个向量。此外用多种方法去权衡向量的构成部分（第4节将详细介绍），在谷歌的解决方案中，一个网页的权值由该网页的链接数来决定。所有以上步骤在实际检索前进行，表示文献库里面的所有文档的向量集被像一个反向文件那样组织以便帮助有效的检索。一个反向文件在结构上像一个理想的书目，反向文件中有每个单词在文库中的入口和所有文档的列表（以及单词在某一篇文档中出现的位置）。 通过计算由单词频率得到的向量来检索文本，并返回拥有最接近向量集（通过角度来测
图像特征及图像特征提取
图像特征提取 摘要本文着重阐述了图像的纹理特征、灰度共生矩阵及其特点，进行了基于灰度共生矩阵的纹理特征提取实验，并采用最小距离判别函数，对图像的特征值进行分类识别。实验表明，对于具有显著纹理特征的图像，基于纹理特征的图像分类识别具有一定的准确性、可靠性和实用性。 关键词特征提取；灰度共生矩阵；最小距离判别法 1 引言图像识别是随计算机的发展而兴起的一门学科，现已渗透各个领域。如生物学中的色体特性研究；天文学中的望远镜图像分析；医学中的心电图分析、脑电图分析、医学图像分析；军事领域中的航空摄像分析、雷达和声纳信号检测和分类、自动目标识别等等。当前，对图像分类识别的常用方法是先提取图像特征，再进行特征值的归类。图像特征包括几何特征、形状特征、颜色特征、纹理特征等等。本文主要针对图像的纹理特征进行提取、分析，最后实现具有显著纹理特性的图像的分类识别。 2 图像的纹理特征纹理是景物的一个重要特征。通常认为纹理是在图像上表现为灰度或颜色分布的某种规律性，这种规律性在不同类别的纹理中有其不同特点。纹理大致可分为两类：一类是规则纹理，它由明确的纹理基本元素（简称纹理基元）经有规则排列而成，常被称为人工纹理。另一类是准规则纹理，它们的纹理基元没有明确的形状，而是某种灰度或颜色的分布。这种分布在空间位置上的反复出现形成纹理，这样的重复在局部范围内往往难以体察出来，只有从整体上才能显露。这类纹理存在着局部不规则和整体规律性的特点，常被称为自然纹理。纹理特征可用来描述对象物表面的粗糙程度和它的方向性，也可用来分析生物材料组织，或者用来进行图像分割。纹理特征提取的方法随纹理类别的不同而不同，一般，规则纹理采用结构分析方法，准规则纹理采用统计分析方法。 3 灰度共生矩阵由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。灰度共生矩阵就是一种通过研究灰度的空间相关特性来描述纹理的常用方法。3.1 灰度共生矩阵生成灰度直方图是对图像上单个象素具有某个灰度进行统计的结果，而灰度共生矩阵是对图像上保持某距离的两象素分别具有某灰度的状况进行统计得到的。取图像(N×N)中任意一点（x，y）及偏离它的另一点（x+a，y+b），设该点对的灰度值为（g1，g2）。令点（x，y）在整个画面上移动，则会得到各种（g1，g2）。值，设灰度值的级数为，则（g1，g2）。的组合共有k2种。对于整个画面，统计出每一种（g1，g2）值出现的次数，然后排列成一个方阵，在用（g1，g2）出现的总次数将它们归一化为出现的概率P（g1，g2），这样的方阵称为灰度共生矩阵。距离差分值（a，b）取不同的数值组合，可以得到不同情况下的联合概率矩阵。（a，b）取值要根据纹理周期分布的特性来选择，对于较细的纹理，选取（1，0）、（1，1）、（2，0）等小的差分值。 当a=1，b=0时，像素对是水平的，即0度扫描；当a=1，b=0 时，像素对是垂直的，即90度扫描；当 a=1，b=1时，像素对是右对角线的，即45度扫描；当a=-1，b=-1时，像素对是左对角线，即135度扫描。这样，两个象素灰度级同时发生的概率，就将（x，y）的空间坐标转化为“灰度对” （g1，g2）的描述，形成了灰度共生矩阵。实验中对灰
图像增强及距离测量
基于Matlab的图像距离测量及图像增强处理 1.图像对比度及亮度调整 原图经过图像对比度及亮度调整，处理后如图1所示（图片名称webwxgetmsgimg.jpg）： 图 1 对比度亮度调整后图片 2.距离测量 在Matlab中导入图片后，imshow（'*. pic '）后，在命令窗口输入imdistline，即可在当前显示图片上创建一条线。通过拖动线条端点位置来测量图片中任意两个像素点之间的距离，长度单位为像素。Matlab code为（1），测量结果如表格1所示： 表格 1 直径测量
图 2 直径测量示例 3.直方图均衡化图像增强 处理方法为直方图均衡化方法，直方图均衡化旨在寻找一种灰度级变换关系，使得变换后的灰度图像的各级灰度的出现概率相同或相近。本次采用adapthisteq和histep函数进行直方图均衡对比。 图表 3 直方图均衡增强处理前后对比
（a）adapthisteq均衡后的图（b）histep均衡后的图 图表 4 两种均衡方法处理后的图 用到Matlab Code （1）距离测量 I = imread('C:\Users\lx123\Desktop\Matlab学习\测试_批处理 _20170718\webwxgetmsgimg.jpg'); Ig=rgb2gray(I); figure; imshow(Ig); % 若f为某图像 d=imdistline; % 此时可以在图像上对任意两点进行距离估计 （2）直方图均衡化图像增强 %Matlab code： I=imread('J:\Matlab学习\QQ截图20171016154118.png');%读入图像 Ig=rgb2gray(I); subplot(3,2,1); imshow(Ig); title('灰度图像'); subplot(3,2,2); imhist(Ig); title('原图的直方图'); subplot(3,2,3); H1=adapthisteq(Ig); %J =适应度adapthisteq（I）通过使用对比度限制自适应直方图均衡（CLAHE）转换值来增强灰度图像I的对比度。 imshow(H1); title('adapthisteq均衡后的图'); subplot(3,2,4); imhist(H1); title('adapthisteq均衡后的直方图'); subplot(3,2,5); H2=histeq(Ig);
直方图均衡化计算
直方图均衡化(色调均化) “图像(Image)>调整(Adjust)”菜单的功能 色调均化(Equalize) Photoshop菜单：图像>调整>色调均化 公式： （公式中Sk表示均衡化后的灰度值，∑表示总和，nj是原图中某个灰度色阶j 的像素数量，j的范围是0~k，N是图像像素总数。） “色调均化”命令重新分布图像中像素的亮度值，以便它们更均匀地呈现所有范围的亮度级。使用此命令时，Photoshop尝试对图像进行直方图均衡化(Histogram Equalization)，即在整个灰度范围中均匀分布每个色阶的灰度值。 当扫描的图像显得比原稿暗，而您想平衡这些值以产生较亮的图像时，可以使用“色调均化”命令。配合使用“色调均化”命令和“直方图”命令，可以看到亮度的前后比较。 使用“色调均化”命令： 1. 选择菜单图像>调整>色调均化。 2. 如果已选择一个图像区域，在弹出的对话框中选择要均化的内容，然后点按“好”。
?“仅色调均化所选区域”只均匀地分布选区的像素。 ?“基于所选区域色调均化整个图像”基于选区中的像素均匀分布所有图像的像素。 原理 直方图均衡化是一种灰度变换算法，所以我们重点研究灰度图像的直方图均衡化。 绝对的均匀 图A是一个黑白灰均匀渐变，0~255的每一个色阶的灰度数量都是相同的。图B 的是图A的像素打乱了顺序随机分布的，每种灰度的数量都与图A的相同，因而它的直方图也与图A的相同。 图A和图B的直方图。每种灰度数量是相同的，直方图呈一个黑色矩形。 近似的均匀 对于一般的图像，由于每种灰度的像素数量并不相同，我们没办法把每种灰度的分量调得像图A、B那么均匀，但是可以做到近似的均匀。也就是说，把直方图横向平均分成几份之后，使每一份的像素数量大致相等。 下面是一幅图片的直方图，共有19200个像素，从左到右平均分成三份。均衡化之后，每份的像素数量都在6400左右。
基于颜色特征的图像检索
基于颜色特征的图像检索
摘要 随着多媒体及网络技术的发展，互联网中的图像等多媒体信息的数量在迅速增加。如何在庞大的多媒体数据资源海洋中搜索到自己所需要的图像，随之成为一个函待解决的问题。近年来基于内容的图像检索技术己经成为了研究的热点，该技术具有传统文本检索方式所无法比拟的优越性，目前已被应用于多媒体通信、生物识别、知识产权保护等方面，具有广阔的发展前景。 本课题设计了基于颜色特征的图像检索系统，该系统主要包括两个关键步骤：颜色特征的提取和相似度匹配。本文中首先采用应用广泛的HSV颜色空间来表示图像的颜色特征，对颜色分量进行非等间隔量化形成特征矢量；然后用欧式距离度量函数进行图像的相似性匹配；最后在MATLAB平台下编程实现了基于颜色特征的检索系统。根据用户输入的样本图像与图像库中的图像进行特征匹配，找出与样本图像距离比较小的若干幅图像，并按照图像之间的距离由小到大的顺序显示给用户。 关键词：图像检索；直方图；颜色特征；MATLAB I
ABSTRACT With the development of multimedia technology, In Internet the number of images and other multimedia information in the rapidly increasing. How to locate the useful image in the vast multi-media is a great technology problem. In recent years, Content-based image retrieval has become a research focus, the technology has the superiority which the traditional text retrieval methods can not match.It has been widely used in multimedia communications, biometrics, intellectual property protection and so on, and has broad prospeets for development. This topic is designed based Color Image Retrieval System, which includes two key steps: color feature extraction and similarity matching. In this article was first used widely HSV color space to represent color feature image. We carried out color components quantification of non-interval to form feature vector; Then use the Euclidean distance metric function to match the similarity function of the image. Finally, this system should be implemented under the platform of the MATLAB by programming. Under user input sample image to conduct feature matching with image which in library images. In this system, It also can identify the images that have a short distance to the sample images, And in accordance with the distance between the images displayed to the user in the order from small to big. Keywords：Image Retrieval；Histogram Algorithm；Color Features；MATLAB II
计算图像的直方图
南通大学计算机科学与技术学院 《数字图像处理》课程实验 报告书 实验名计算图像的直方图 班级计 121 姓名张进 学号 1213022016 2014年6月 16 日
一、实验内容 1、打开一张图，计算其直方图。 二、图像直方图的概念 图像直方图是反映一个图像像素分布的统计表，其实横坐标代表了图像像素的种类，可以是灰度的，也可以是彩色的。纵坐标代表了每一种颜色值在图像中的像素总数或者占所有像素个数的百分比。 图像是由像素构成，因为反映像素分布的直方图往往可以作为图像一个很重要的特征。在实际工程中，图像直方图在特征提取、图像匹配等方面都有很好的应用。 三、灰度直方图的计算 1、灰度直方图的定义 灰度直方图是灰度级的函数，描述图像中该灰度级的像素个数（或该灰度级像素出现的频率）：其横坐标是灰度级，纵坐标表示图像中该灰度级出现的个数（频率）。 一维直方图的结构表示为 高维直方图可以理解为图像在每个维度上灰度级分布的直方图。常见的是二维直方图。如红-蓝直方图的两个分量分别表示红光图像的灰度值和蓝光图像灰度值的函数。其图像坐标（Dr,Db）处对应在红光图像中具有灰度级Dr同时在蓝光图像中具有灰度级Db的像素个数。这是基于多光谱——每个像素有多个变量——的数字图像，二维中对应每个像素统计个变量。 简单的说，直方图就是对数据进行统计，将统计值组织到一系列事先定义好的bin中。bin的数值是从数据中计算出的特征的统计量，这些数据可以是诸如梯度，方向，色彩或者任何其他特征。无论如何，直方图获得的是数据分布的统计图。通常直方图的数据要低于原始数据。由于原始数据点可以表征任何事情，所以直方图实际上是一个方便表示图像特征的手段。
基于HSI颜色空间统计直方图的图像检索
基于HSI颜色空间统计直方图的图像检索 摘要: 给出了一种对图像的特征进行提取、分析并识别出一定形状及色彩差别的方法，主要目的是提取图像的颜色变化。首先是对采集到的彩色图像进行预处理，包括：图像的滤波、目标图像的定位等；然后采取了相应的图像颜色空间和识别算法，包括：图像颜色空间的变换、颜色量化、图像特征提取、识别算法。计算机仿真结果表明，该算法可行，并取得了较好的效果。 关键词：颜色空间；颜色量化；特征提取；识别算法 Abstract：This article provides a approach that can extracte, analyse and identify a certain shape and color differences for the image features, the main purpose is to extract the color changement of image. The first step is the pre-processing of the collected color image, including: image filtering, target image positioning. What follows is signal image recognition, including: transformation of image color space, color quantization, image feature extraction, recogonition algorithm and the algorithm implementation. Finally, get the recognition results. Keywords:color space; color quantization; feature extraction; recognition algorithm 1引言 当今是一个信息肆意滋生的互联网时代，要想有效利用网上的这些信息，就需要将这些杂乱的信息梳理成可以查询的数据，这就必然要使用信息检索。图像检索是信息检索的重要组成部分，常用的百度、谷歌、雅虎等搜索引擎均提供图像检索，它的重要性正逐渐增加。我们正处于一个视觉的时代，几乎人人都有成百上千的数字图片想要发布到互联网上，这正是图像检索的意义所在。 图像检索是计算机视觉中非常重要的部分,其目的是构造自动处理某些信息的机器系统，用以代替人类完成分类和辨别的任务。目前图像识别检索的研究主要涉及物体表面形状检索、尺寸与面积的检测以及色彩的检索等方面。颜色是物体重要的外在特性，具有对物体本身的尺寸、方向、视角等依赖性小、鲁棒性高等优点，因而在图像识别中占有重要地位，对彩色图像的处理己经成为当前图像处理领域重要的研究课题[1]，如：近年来，国内外对农产品品质自动检索、彩色印刷及纺织品中的彩色图样的检索研究中，都采用了基于图像的颜色检索技术。
颜色直方图的计算、显示、处理、对比及反向投影
颜色直方图的计算、显示、处理、对比及反向投影(How to Use Histogram? Calculate, Show, Process, Compare and BackProject) 作者：王先荣 前言 颜色直方图直观的显示了图像在色彩空间的分布状况，本文将讨论在EmguCv及OpenCv中跟直方图相关的一些基本操作，包括：计算、显示、处理、对比及反向投影，并谈谈在实践过程中得到的一些经验。如无特别说明，下文所提的直方图均指颜色直方图。 直方图的计算 EmguCv将OpenCv的一系列直方图函数封装到了类DenseHistogram里面，可以用方法Calculate方便的计算图像的直方图。不过值得注意的是，该方法接受的第一个参 数是“单通道”图像数组；而一般情况下的图像都是3通道的，在计算之前我们需要用Image
直方图计算与均衡
直方图计算与与均衡 一、实验要求： 1.读入给定的图像文件 2.求输入图像文件的直方图，并且利用MATLAB画出来 3.设计算法完成直方图的均衡，并利用MATLAB输出 4.将直方图均衡后的文件以图像形式输出 5.观察比较均衡前后图像与直方图的区别 二、实验原理 直方图均衡化处理的“中心思想”是把原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。直方图均衡化就是对图像进行非线性拉伸，重新分配图像像素值，使一定灰度范围内的像素数量大致相同。直方图均衡化就是把给定图像的直方图分布改变成“均匀”分布直方图分布。 （I）直方图均衡化的过程： 1）列出原始图像和变换后图像的灰度级（L是灰度级的个数）； 2）统计员图像中各灰度级的像素个数； 3）计算原始图像直方图P(i)=Ni/N； 4）计算累计直方图P(j)=P(1) + P(2) + P(3) +…+ P(i)； 5）利用灰度值变换函数计算变换后的灰度值，兵四舍五入取整；j=INT[(L-1)Pj+0.5] 6）确定灰度变换关系i→j，据此将原图像的灰度值f（m,n）=i修正为g（m，n）=j； 7）统计变换后个灰度级的像素个数Nj； 8）计算变换后图像的直方图Pj=Nj/N （II）图像均衡化后的缺点： 1）变换后图像的灰度级减少，某些细节消失； 2）某些图像，如直方图有高峰，经处理后对比度不自然的过分增强。 直方图均衡化是图像处理领域中利用图像直方图对对比度进行调整的方法。这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据的对比度相当接近的时候。通过这种方法，亮度可以更好地在直方图上分布。这样就可以用于增强局部的对比度而不影响整体的对比度，直方图均衡化通过有效地扩展
Bag of features(Bof)图像检索算法
Bag of features（Bof）一种是用于图像和视频检索的算法，此算法的神奇之处，就在于对于不同角度，光照的图像，基本都能在图像库中正确检索。而写这篇文章的目的也就在于向大家介绍这种神奇的图像检索算法，也是给自己做个备忘。 BoF算法的思想。 Bof,即Bag of features，中文翻译为“词袋”，是一种用于图像或视频检索的技术。而检索就要进行比对。两幅不同的图像如何比对，比对什么，这就需要提炼出每幅图像中精练的东西出来进行比较。正如超市中的条形码，就能很好的反映出一件商品的所有特征。因此概括的来说，bof就是生成每幅图像的“条形码”来进行检索。 实验中，我们有一个包含100幅图像的小型图像库。然后再拿一些图像进行query，来找出库中与之对应的图像。 1.首先，我们用surf算法生成图像库中每幅图的特征点及描述符。 2.再用k-means算法对图像库中的特征点进行训练，生成类心。 3.生成每幅图像的BOF，具体方法为：判断图像的每个特征点与哪个类心最近，最近则放入该类心，最后将生成一列频数表，即初步的无权BOF。 4.通过tf-idf对频数表加上权重，生成最终的bof。（因为每个类心对图像的影响不同。比如超市里条形码中的第一位总是6，它对辨别产品毫无作用，因此权重要减小）。 5.对query进来的图像也进行3.4步操作，生成一列query图的BOF。 6.将query的Bof向量与图像库中每幅图的Bof向量求夹角，夹角最小的即为匹配对象。1.首先，我们用surf算法生成图像库中每幅图的特征点及描述符。
2.再用k-means算法对图像库中的特征点进行训练，生成类心。 3.生成每幅图像的BOF，具体方法为：判断图像的每个特征点与哪个类心最近，最近则放入该类心，最后将生成一列频数表，即初步的无权BOF。 4.通过tf-idf对频数表加上权重，生成最终的bof。（因为每个类心对图像的影响不同。比如超市里条形码中的第一位总是6，它对辨别产品毫无作用，因此权重要减小）。 5.对query进来的图像也进行3.4步操作，生成一列query图的BOF。 6.将query的Bof向量与图像库中每幅图的Bof向量求夹角，夹角最小的即为匹配对象。 其实思想也很简单，对吧~