颜色聚合向量总结

前端之家收集整理的这篇文章主要介绍了颜色聚合向量总结前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

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。

原文链接:https://www.f2er.com/javaschema/283524.html

猜你在找的设计模式相关文章