Python图片颜色特征提取——HSV中心距法(附代码及注释)

Posted bridge0904

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Python图片颜色特征提取——HSV中心距法(附代码及注释)相关的知识,希望对你有一定的参考价值。

颜色矩是个啥?

  首先让我们先了解一下颜色矩是什么,以下是颜色矩的定义及数学表达,看着唬人但其实并不难

  颜色矩是一种简单有效的颜色特征表示方法,有一阶矩(也就是均值,mean)、二阶矩(也就是标准差, variance)和三阶矩(斜度,skewness)等,由于颜色信息主要分布于低阶矩中,所以用一阶矩,二阶矩和三阶矩足以表达图像的颜色分布,颜色矩已证明可有效地表示图像中的颜色分布。

 

 

  其中,Pij 表示彩色图像第j个像素的第i个颜色分量,N表示图像中的像素个数。

  图像的三个分量Y,U,V图像的前三阶颜色矩组成一个9维直方图向量,即图像的颜色特征表示如下:

 

Python实现(附代码及详细注释)

  HSV 中心距法是基于HSV空间的,因此需要将RGB空间转换为HSV空间

def color_moments(filename):
    img = cv2.imread(filename)  # 读一张彩色图片
    if img is None:
        return
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)  # RGB空间转换为HSV空间
    h, s, v = cv2.split(hsv)
    color_feature = []  # 初始化颜色特征
# 一阶矩(均值 mean)
    h_mean = np.mean(h)  # np.sum(h)/float(N)
    s_mean = np.mean(s)  # np.sum(s)/float(N)
    v_mean = np.mean(v)  # np.sum(v)/float(N)
    color_feature.extend([h_mean, s_mean, v_mean])  # 一阶矩放入特征数组
# 二阶矩 (标准差 std)
    h_std = np.std(h)  # np.sqrt(np.mean(abs(h - h.mean())**2))
    s_std = np.std(s)  # np.sqrt(np.mean(abs(s - s.mean())**2))
    v_std = np.std(v)  # np.sqrt(np.mean(abs(v - v.mean())**2))
    color_feature.extend([h_std, s_std, v_std])  # 二阶矩放入特征数组
# 三阶矩 (斜度 skewness)
    h_skewness = np.mean(abs(h - h.mean()) ** 3)
    s_skewness = np.mean(abs(s - s.mean()) ** 3)
    v_skewness = np.mean(abs(v - v.mean()) ** 3)
    h_thirdMoment = h_skewness ** (1. / 3)
    s_thirdMoment = s_skewness ** (1. / 3)
    v_thirdMoment = v_skewness ** (1. / 3)
    color_feature.extend([h_thirdMoment, s_thirdMoment, v_thirdMoment])  # 三阶矩放入特征数组

    return color_feature

 

 

 

以上是关于Python图片颜色特征提取——HSV中心距法(附代码及注释)的主要内容,如果未能解决你的问题,请参考以下文章

MATLAB | 垂距法提取离散坐标数据特征点(矢量曲线压缩)

数码管数字提取与识别(附源码)

智能识别系统设计---图像特征提取

图像特征分析:颜色特征描述,颜色矩,颜色直方图(附matlab代码)

图像特征分析:颜色特征描述,颜色矩,颜色直方图(附matlab代码)

图像特征分析:颜色特征描述,颜色矩,颜色直方图(附matlab代码)