LIRe图像检索：RGB和HSV空间的颜色直方图

最新推荐文章于 2022-04-09 15:01:45 发布

余莫星辰

最新推荐文章于 2022-04-09 15:01:45 发布

阅读量3k

点赞数

分类专栏： LIRE/图像检索文章标签： LIRE RGB和HSV 颜色直方图

本文链接：https://blog.csdn.net/DaveBobo/article/details/70670217

版权

LIRE/图像检索专栏收录该内容

19 篇文章 2 订阅

订阅专栏

1 概述

颜色特征是在图像检索中应用最为广泛的视觉特征，主要原因在于颜色往往和图像中所包含的物体或场景十分相关。此外，与其他的视觉特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，从而具有较高的鲁棒性。

面向图像检索的颜色特征的表达涉及到若干问题。首先，我们需要选择合适的颜色空间来描述颜色特征；其次，我们要采用一定的量化方法将颜色特征表达为向量的形式；最后，还要定义一种相似度（距离）标准用来衡量图像之间在颜色上的相似性。在本节中，我们将主要讨论前两个问题，并介绍颜色直方图、颜色矩、颜色集、颜色聚合向量以及颜色相关图等颜色特征的表示方法。

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幅图像中所占的比例，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。颜色直方图特别适于描述那些难以进行自动分割的图像。

当然，颜色直方图可以是基于不同的颜色空间和坐标系。最常用的颜色空间是RGB颜色空间，原因在于大部分的数字图像都是用这种颜色空间表达的。然而，RGB空间结构并不符合人们对颜色相似性的主观判断。因此，有人提出了基于HSV空间、Luv空间和Lab空间的颜色直方图，因为它们更接近于人们对颜色的主观认识。其中HSV空间是直方图最常用的颜色空间。它的三个分量分别代表色彩（Hue）、饱和度（Saturation）和值（Value）。

计算颜色直方图需要将颜色空间划分成若干个小的颜色区间，每个小区间成为直方图的一个bin。这个过程称为颜色量化（colorquantization）。然后，通过计算颜色落在每个小区间内的像素数量可以得到颜色直方图。颜色量化有许多方法，例如向量量化、聚类方法或者神经网络方法。最为常用的做法是将颜色空间的各个分量（维度）均匀地进行划分。相比之下，聚类算法则会考虑到图像颜色特征在整个空间中的分布情况，从而避免出现某些bin中的像素数量非常稀疏的情况，使量化更为有效。另外，如果图像是RGB格式而直方图是HSV空间中的，我们可以预先建立从量化的RGB空间到量化的HSV空间之间的查找表（look-up table），从而加快直方图的计算过程。

上述的颜色量化方法会产生一定的问题。设想两幅图像的颜色直方图几乎相同，只是互相错开了一个bin，这时如果我们采用L1距离或者欧拉距离（见3.1.1节）计算两者的相似度，会得到很小的相似度值。为了克服这个缺陷，需要考虑到相似但不相同的颜色之间的相似度。一种方法是采用二次式距离[4]（见3.1.3节）。另一种方法是对颜色直方图事先进行平滑过滤，即每个bin中的像素对于相邻的几个bin也有贡献。这样，相似但不相同颜色之间的相似度对直方图的相似度也有所贡献。

选择合适的颜色小区间（即直方图的bin）数目和颜色量化方法与具体应用的性能和效率要求有关。一般来说，颜色小区间的数目越多，直方图对颜色的分辨能力就越强。然而，bin的数目很大的颜色直方图不但会增加计算负担，也不利于在大型图像库中建立索引。而且对于某些应用来说，使用非常精细的颜色空间划分方法不一定能够提高检索效果，特别是对于不能容忍对相关图像错漏的那些应用。另一种有效减少直方图bin的数目的办法是只选用那些数值最大（即像素数目最多）的bin来构造图像特征，因为这些表示主要颜色的bin能够表达图像中大部分像素的颜色。实验证明这种方法并不会降低颜色直方图的检索效果。事实上，由于忽略了那些数值较小的bin，颜色直方图对噪声的敏感程度降低了，有时会使检索效果更好。两种采用主要颜色构造直方图的方法可以在文献[5,6]中找到。

2 源码分析

在lire.jar中颜色直方图源码的位置如下：

以下为我对源码的分析和解读。

public void extract(BufferedImage image) {
    image = ImageUtils.get8BitRGBImage(image);
    Arrays.fill(this.histogram, 0);
    WritableRaster raster = image.getRaster();

    for(int x = 0; x < image.getWidth(); ++x) {
        for(int y = 0; y < image.getHeight(); ++y) {
            raster.getPixel(x, y, this.pixel);
            if(this.histogramType == SimpleColorHistogram.HistogramType.HSV) { //如果直方图的类型为HSV
                ColorConversion.rgb2hsv(this.pixel[0], this.pixel[1], this.pixel[2], this.pixel);
                ++this.histogram[this.quant(this.pixel)];
            } else if(this.histogramType == SimpleColorHistogram.HistogramType.Luminance) { //如果直方图的类型为Luminance
                this.rgb2yuv(this.pixel[0], this.pixel[1], this.pixel[2], this.pixel);
            } else if(this.histogramType == SimpleColorHistogram.HistogramType.HMMD) { //如果直方图的类型为HMMD
                ++this.histogram[this.quantHmmd(this.rgb2hmmd(this.pixel[0], this.pixel[1], this.pixel[2]), DEFAULT_NUMBER_OF_BINS)];
            } else {
                ++this.histogram[this.quant(this.pixel)];
            }
        }
    }
    //归一化处理
    this.normalize(this.histogram, image.getWidth() * image.getHeight());
}

Reference:

http://blog.csdn.net/pp5576155/article/details/6948898