目标特征提取（一）：全局特征

最新推荐文章于 2024-04-22 20:30:15 发布

猴子的新衣

最新推荐文章于 2024-04-22 20:30:15 发布

阅读量1w

点赞数 3

分类专栏： Python ComputerVision

本文链接：https://blog.csdn.net/Issac12138/article/details/52841364

版权

全局特征在图像处理中至关重要，包括直方图特征、颜色特征和轮廓特征。直方图特征通过统计灰度值分布来描述目标外观，颜色特征如RGB和HSV空间提供了颜色信息，而轮廓特征则用于捕捉目标的形状。直方图可通过分块统计增强空间信息，颜色空间转换如BGR到HSV便于颜色处理。轮廓特征涉及主动轮廓模型，常用于运动目标提取。

摘要由CSDN通过智能技术生成

全局特征是基于灰度像素值的描述，可以分为直方图特征、颜色特征和轮廓特征。

1、直方图特征

直方图特征用数学统计方法提取目标的外观特征。举例说明提取过程：对于一幅灰度图像，将灰度值从0到255等分为8个区间，然后遍历图像爱的每个像素，统计分别落入每个区间的像素的个数，最后将8个区间的像素个数除以像素总和进行归一化便得到直方图特征。

为了体现目标颜色的空间信息，可采用颜色空间二维直方图——将图像分割成若干个子区域，分别在各个子区域内统计颜色分布信息。将图像分割的块数越多越能体现目标颜色的空间信息，但是增大特征的存储空间，使跟踪心能下降。分块数目需要取合适的值。

借助matplotlib的绘图功能，这在同时绘制多通道（BGR）的直方图，代码如下：

import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('Python1.jpg')
color = ('b','g','r')
for i,col in enumerate(color):
    histr = cv2.calcHist([img],[i],None,[256],[0,256])
    plt.plot(histr,color = col)
    plt.xlim([0,2