顏色相似度量

顏色相似度量XXX顏色模型就是指某個三維顏色空間中的一個可見光子集，它包含某個顏色域的所有顏色。在大多數(shù)的彩色圖形顯示設備一般都是使用紅、綠、藍三原色，我們的真實感圖形學中的主要的顏色模型也是RGB模型，但是紅、綠、藍顏色模型用起來不太方便，它與直觀的顏色概念如色調、飽和度和亮度等沒有直接的聯(lián)系。顏色模型主要有HSV、RGB、HSI、CHL、LAB、CMY等。它們在不同的行業(yè)各有所指，但在計算機技術方面運用最為廣泛。一.顏色模型RGB顏色模型使用了顏色成分紅（R）、綠（G）和藍（B）來定義所給顏色中紅色、綠色和藍色的光的量。在24位圖像中，每一顏色成分都由0到255之間的數(shù)值表示。在位速率更高的圖像中，如48位圖像，值的范圍更大。在加顏色模型中，如RGB，顏色是通過透射光形成的。因此，RGB被應用于監(jiān)視器中，對紅色、藍色和綠色的光以各種方式調和來產生更多顏色。當紅色、藍色和綠色的光以其最大強度組合在一起時，眼睛看到的顏色就是白色。理論上，顏色仍為紅色、藍色和綠色，但是在監(jiān)視器上這些顏色的像素彼此緊挨著，用眼睛無法區(qū)分出這三種顏色。當每一種顏色成分的值為0時，即表示沒有任何顏色的光，因此，眼鏡看到的顏色就為黑色。RGB是最常用的顏色模型，因此，他可以存儲和顯示多種顏色。（1）RGB顏色模型每一種顏色都是由色相（Hue，簡H），飽和度（Saturation，簡S）和色明度（Value，簡V）所表示的。HSV模型對應于圓柱坐標系中的一個圓錐形子集，圓錐的頂面對應于V=1。它包含RGB模型中的R=1，G=1，B=1三個面，所代表的顏色較亮。色彩H由繞V軸的旋轉角給定。紅色對應于角度0°，綠色對應于角度120°，藍色對應于角度240°。在HSV顏色模型中，每一種顏色和它的補色相差180°。飽和度S取值從0到1，所以圓錐頂面的半徑為1。（2）HSV顏色模型。二.基于顏色特征的相似度量顏色是圖像的一種重要視覺性質,是人識別圖像的主要感知特征之一。相對于其他的特征,顏色特征非常穩(wěn)定,對于旋轉、平移和尺度變化等都不敏感,而且顏色特征計算簡單,因此在圖像處理中得到廣泛的重視和研究。目前,基于顏色特征的信息檢索成為圖像檢索中的一種重要而廣泛使用的方法。顏色特征可用不同形式的顏色直方圖來表示,主要有3個獨立的一維直方圖,分別為彩色圖像RGB3個分量的直方圖,基于該顏色直方圖之間的距離或它們的交可以來判斷顏色相似度。基于直方圖的顏色相似度計算方法優(yōu)點：與圖像旋轉、平移和尺寸變化無關缺點：兩幅看起來顏色非常相似的圖像，如果它們的顏色直方圖交集為空或者直方圖之間距離很大，那么相似度為零或者很小,這顯然不符合人的感知。

具體方法：絕對值距離、巴氏距離、歐式距離、直方圖相交法、x2距離、參考顏色表、中心矩等設a，b是兩幅圖像對應的特征向量，ai，bi分別代表特征分量。Minkowsky距離是基于Lp

范數(shù)定義的：

a)如果p=l，稱為城區(qū)距離(city-block)，也就是絕對值距離：

（1）Minkowsky距離b)如果p=2，稱為歐式距離(Euclideandistance)：

歐氏距離是最易于理解的一種距離計算方法，源自歐氏空間中兩點間的距離公式。c)如果p→∞，稱為切比雪夫距離(Chebyshevdistance)：直方圖相交法(histogramintersection)是由Swain等人于1991年首次提出的，直方圖相交法計算簡單快速并且能較好地抑制背景的影響。（2）直方圖相交法Bhattacharyya距離測量兩個離散或連續(xù)概率分布的相似性。它與衡量兩個統(tǒng)計樣品或種群之間的重疊量的Bhattacharyya系數(shù)密切相關。巴氏距離的定義對于離散概率分布

p和q在同一域

X，它被定義為：其中：是Bhattacharyya系數(shù)。（3）巴氏距離Bhattacharyya

Distance對于連續(xù)概率分布，Bhattacharyya系數(shù)被定義為：要對兩個直方圖（如H1和H2）進行比較，要選擇衡量直方圖相似度的對比標準（d(H1,H2)）。在OpenCV2.X中，用compareHist()函數(shù)來對比兩個直方圖的相似度。

（3）OpenCV中直方圖對比compareHist()函數(shù)用于兩幅直方圖進行比較。有兩個版本的C++原型，如下：C++:doublecompareHist(InputArrayH1,InputArrayH2,intmethiod)C++:doublecompareHist(constSparseMat&H1,constSparseMat&H2,intmethod)它們的前兩個參數(shù)都是要比較的大小相同的直方圖，第三個變量是所選擇的距離標準?？捎萌缦碌?種方法，比較兩個直方圖：1.相關（method=CV_COMP_CORREL）2.卡方（method=CV_COMP_CHISQR）3.直方圖相交（method=CV_COMP_INTERSECT）4.巴氏距離（method=CV_COMP_BHATTACHARYYA）測試圖片：程序運行結果(一維直方圖)：說明：對于直方圖相交，高分表示好的匹配，而低分表示壞匹配。而巴氏距離則相反，低分表示好的匹配，高分表示壞的匹配。RGB三色直方圖的對比說明：對于直方圖相交，高分表示好的匹配，而低分表示壞匹配。而巴氏距離則相反，低分表示好的匹配，高分表示壞的匹配。(1)//載入原圖和測試圖并顯示MatsrcImage,srcImage_Sub;srcImage=imread("1.jpg");srcImage_Sub=imread("2.jpg");imshow("原始圖",srcImage);imshow("原始圖2",srcImage_Sub);(2)//定義與初始化相關變量intbins=256;inthist_size[]={bins};floatrange[]={0,256};constfloat*ranges[]={range};MatNDredHist,redHist_Sub;intchannels_r[]={0};主要代碼分析(3)//進行直方圖的計算(紅色分量部分)calcHist(&srcImage,1,channels_r,Mat(),redHist,1,hist_size,ranges,true,false);calcHist(&srcImage_Sub,1,channels_r,Mat(),redHist_Sub,1,hist_size,ranges,true,false);(4)//為繪制直方圖進行參數(shù)準備doublemaxValue_red,maxValue_red_Sub;minMaxLoc(redHist,0,&maxValue_red,0,0);minMaxLoc(redHist_Sub,0,&maxValue_red_Sub,0,0);inthistHeight=256;intscale=1;MathistImage_Red=Mat::zeros(histHeight,bins,CV_8UC3);MathistImage_Red_Sub=Mat::zeros(histHeight,bins,CV_8UC3);(5)//繪制紅色分量直方圖for(inti=0;i<bins;i++){floatbinValue_red=redHist.at<float>(i);intintensity_red=cvRound(binValue_red*histHeight/maxValue_red);rectangle(histImage_Red,Point(i*scale,histHeight-1),Point((i+1)*scale-1,histHeight-intensity_red),Scalar(0,0,255));}for(inti=0;i<bins;i++){floatbinValue_red=redHist_Sub.at<float>(i);intintensity_red=cvRound(binValue_red*histHeight/maxValue_red);rectangle(histImage_Red_Sub,Point(i*scale,histHeight-1),Point((i+1)*scale-1,histHeight-intensity_red),Scalar(0,0,255));}(6)//顯示紅色分量直方圖imshow("Red",histImage_Red);imshow("RedSub",histImage_Red_Sub);(7)//矩陣歸一化normalize(redHist,redHist,0,1,NORM_MINMAX,-1,Mat());normalize(redHist_Sub,redHist_Sub,0,1,NORM_MINMAX,-1,Mat());(8)//直方圖相交法對比原圖和測試圖doublecompareResults_r=compareHist(redHist,redHist_Sub,CV_COMP_INTERSECT);cout<<"