CV | Color Cooccurrence Histograms 色彩同现直方图

     题外话：今天的雨下了整整一天啊！每年7月20号左右的惯例

今天接触到一个概念Color Cooccurrence Histograms（色彩同现直方图），感兴趣上网查了查相关文献，在这里记录一下今天学到的课外知识√。

先总结介绍直方图（Histogram）的概念。百度介绍：直方图又称质量分布图，是一种统计报告图，由一系列高度不等的纵向条纹或线段表示数据分布的情况，一般用横轴表示数据类型，纵轴表示分布情况。简要理解，直方图等同于统计可视化的一种方法，将数据信息根据已知特征x轴进行统计，量多值大则对应的y轴值大。直方图统计方法的关键点在于其离散化的记录特点，将较大的数据空间离散化为有限个数的数值区间。

打个比方，图像处理中，常用直方图来统计图像的全局灰度分布或色彩分布。如下图I，假设该图只有五个灰度值，分别为1,2,3,4,5，图示中从右到左，整个图垂直方向上的灰度序列为5（白色），4,3,2,1,2,3，图的尺寸为11×15。直方图统计图像的灰度值分布情况，假设当前每个直方图的区间为1灰度差，即分别统计灰度为1,2,3,4,5的像素个数，分别为5：11×2，4：11×2，3：11×4，2：11×4，1：11×3。

直方图统计示意图如下，可以通过调用Matlab内部函数hist进行画图统计：

假如此时将直方图统计区间变为[0-1], [2-3], [4-5]，则统计结果发生变化：0-1：11×3，2-3：11×8，4-5：11×4，重新统计结果如下图：

通过使用直方图对图中的灰度值或某特征信息进行统计，可以得到图像全局的灰度（某特征）分布情况，从而应用于解决某一问题。

下面进入正题，色彩同现直方图（Color Cooccurrence Histogram）可以算是传统直方图的一种升级。如上文所述，传统直方图只针对某一区间的单一特征值进行统计，而同现直方图（Cooccurrence）则针对像素对之间的特征情况出现频率关系进行统计，从而获得特征值相对的关系，Color Cooccurrence Histogram所用到的特征为色彩。主要参考文献为：

Peng Chang, Object Recognition with Color Cooccurrence Histograms

资料链接：点击打开链接

主要思想为：取图像中的一定邻域范围N，色彩同现直方图（以下简称色彩CH）统计像素对的色彩值c1 = ( R1, G1, B1 )和c2 = ( R2, G2, B2 )的出现频率，像素c1和c2的相差距离由向量( Δx, Δy )表示，如下图所示。色彩CH可写为形式：CH( c1, c2, Δx, Δy )，当( Δx, Δy ) = ( 0, 0 )时，色彩CH等同于传统直方图c1 = c2。不难看出，CH统计在一个矩阵中，由c1和c2作为索引，对角线处的数据即为全局单一色彩特征的统计情况（传统直方图）。

（这个图有点小 = =，从原文扣下来的，将就着看吧）

文中提出，CH对图像平面的旋转角度不敏感，因为在统计过程中忽略( Δx, Δy )的方向，只关心大小d = sqrt( Δx^2 + Δy^2 )。因为不同于单一特征的统计（传统直方图），CH需要考虑像素对间的特征差异，文章中提到的主要特征是两像素点间距离差，即d。类似直方图的统计策略，CH将距离差离散化为nd个区间，色彩聚类为nc个区间，那么CH的统计结果实际上是存储于一个三维数组中，通过CH( i, j, k )进行索引，其中i，j为两个像素的色彩索引，而k为距离差d所在的区间索引，1 <= i, j <= nc，1 <= k <= nd。

以上。