颜色聚合向量总结

0、引入：

一个图像主要有颜色直方图、颜色矩、颜色聚合向量等特征。现在来总结一下颜色聚合向量这个特征。
颜色聚合向量来源于颜色直方图。目的是为了解决颜色直方图没有位置信息的问题。它将整个图像分为连通部分和不连通部分。做个简单的比方，如图1，图里面的红色的方块相互临接，共有四个。如果权值为2那么红色的方块则计入连通区域。

图1 图像连通部分

1、特征提取算法：

1.1、首先进行模糊。
我认为什么模糊都可以，这个可以根据图像的特征加精，我用了高斯模糊。
1.2、对图像的色彩空间进行离散化。
这里的目的是将每个像素的真彩色值，转化到一个相对小一点的离散空间里。因为真彩色共有255255255个值如果将rgb颜色离散化到一个比较小的值里，更方便计算机进行特征提取。
1.3、对图像进行遍历得到一个连通区域清单
通过对图像进行遍历，得到一个连通区域清单。每个区域包括他的颜色，他的包含的坐标。
1.4、根据阙值进行判断那些是连通分量，那些事不连通分量。
根据阙值对之前的区域进行判断找出那些是连通分量，那些不是连通分量。
1.5、检查出每个颜色的分量输出
所有的像素数等于=连通分量像素数+不连通分量像素数。

2、如何比较：

取出了特征向量之后应该如何进行比较，我想到的方式有两种：
1、比较距离：
即每个特征向量，对位进行比较，小的那个记录为该位置距离，然后相加。
2、欧氏距离：
直接将亮相两进行欧氏距离相加。但是如果直接相加那么数值会很大，建议归一化，或者按照像素值占总像素值的百分比作为向量在进行欧氏距离比较，效果会好些。

3、总结

颜色聚合向量，脱胎于直方图，它的不足还是丧失了位置特征（虽然效果强于直方图）。如图2CCV在下面三种情况下，蓝色是一样的。在图像分类时可以考虑单独加入别的纹理特征。

图2 CCV不足

不足之处，烦请斧正。