颜色特征提取算法

⑴ 对一张图片进行特征提取的具体算法和程序。越具体越好。感谢，例如算出图像的形状长宽高之类的。

对一张图片进行特征提取的具体算法和程序，越具体越好，感谢例如算出图像的形状，长宽之类的，我觉得对图片特征提取的体术法并没有什么具体算法，因为每个相机照出来的图片，它的放大缩小都是不一样的，不可能从一个图片算出一个图像的长宽高，只能够算出一个大概的长宽高，如果要算出非常准确的茶膏，只能用一些红外测距仪，还有某些特定的仪器才能构测量出，一些建筑物的长宽高不能够从一个图片上面去算出一个建筑物的长宽高的是根本没法算出来的。

⑵ 特征提取算法有哪些

图像的特征可分为两个层次，包括低层视觉特征，和高级语义特征。低层视觉特征包括纹理、颜色、形状三方面。语义特征是事物与事物之间的关系。纹理特征提取算法有：灰度共生矩阵法，傅里叶功率谱法颜色特征提取算法有：直方图法，累计直方图法，颜色聚类法等等。形状特征提取算法有：空间矩特征等等高级语义提取：语义网络、数理逻辑、框架等方法

⑶ 如何使用Opencv对图像进行颜色特征提取

打开小画家，将色卡打开，点击吸管工具，移动鼠标到红色块上方，松开鼠标，此时，吸管工具已经提取了红色色块信息。然后点击右方的“编辑颜色”，弹出颜色选择对话框，此时，右下角有刚才习惯的红绿蓝颜色信息，如红152，绿18，蓝15。这个就是颜色对应的RGB色彩值。

创建VC控制台工程，加入所需头文件和库文件。注意要事先将opencv 头文件和库文件添加到工程属性中，作者使用opencv2.4+VC2010示范。
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <iostream>
#include <stdio.h>
#include <vector>
#include <math.h>
#pragma comment (lib,"opencv_core244d.lib")
#pragma comment (lib,"opencv_highgui244d.lib")
#pragma comment (lib,"opencv_imgproc244d.lib")

定义一个颜色常量target，默认值即为刚才吸管工具提取的红色色块的RGB值分量，和一个计算与颜色标准值色差的函数，暂定为色差在10以内即为相近颜色。这里cv::Vec3b 变量对应一个数组值, Vec3b[0] 对应blue，Vec3b[1]对应green，Vec3b[2]对应Red，即BGR。

接着添加以下代码，目的为读取源图片，根据图片大小做一定的缩放，然后定义同样大小的一个灰度图，用于存贮计算结果值。核心算法如下，遍历源图片，色差（与红色色块比较）低于30的即为需要提取的颜色值，将此像素位置记录并写入到灰度图中，以黑色显示，否则设置为白色。然后将处理前后图片显示出来。

实际商业应用中也是可以如法炮制的，比如下图的药片，大小，颜色不统一，如何提取识别黄色小药片在何处或计算其数量呢。
笔者尝试使用吸管工具提取其BGR值为（22,184,245），将色差由10调整为30，可以正确检测此药片。如图。

⑷ 提取颜色特征并计算熵，使用python实现

正好学到这，练下手。比较晚了，所以写的比较简单，不明白了明天再说

⑸ Matlab怎么样提取图像的颜色特征，非常

如果你是指rgb颜色层的话 use football as an example
I=imread('football.jpg');
color=I;
R=(:,:1);
G=(:,:,2);
B=(:,:,3);
然后你就得到了分别这三个颜色层的信息，这时候你可以根据你的要求做后续的工作。

⑹ 谁有Java提取图片特征的算法有的能给发一个么不胜感激

图像的特征可分为两个层次，包括低层视觉特征，和高级语义特征。
低层视觉特征包括纹理、颜色、形状三方面。语义特征是事物与事物之间的关系。
纹理特征提取算法有：灰度共生矩阵法，傅里叶功率谱法
颜色特征提取算法有：直方图法，累计直方图法，颜色聚类法等等。
形状特征提取算法有：空间矩特征等等
高级语义提取：语义网络、数理逻辑、框架等方法

⑺ 图象处理颜色特征提取的算法和程序

参考MATLAB图像处理工具箱

⑻ 基于dem的特征点提取有哪些算法

（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。

（二）常用的特征提取与匹配方法

⑼ 求matlab彩色图片的颜色特征提取算法的代码，和纹理特征提取的代码。传统方法即可。

其实学数字图像处理，关键的不是源代码（和一般编程还是有区别的，这个是经验之谈，其实一般博导未必会编程，但是你和他说说你的方法，他一般都能切中要害），而是你能理解基于概念及适用场所。
基于颜色、纹理、形状都属于低层特征，这些你理解就够了，关键是对你的课题适合哪种方法来映射到高层语义上面，例如：识别物体轮廓，那可能形状就比较适合等。
我之所以写上面那段话，主要是我感觉你索取代码也不说明具体要求，也就是方向不明确。
如今颜色特征提取算法有很多，诸如颜色直方图、颜色矩、颜色集、颜色聚合向量、颜色相关图等，既然你没说，我就给个IEEE CSVT 2001的一篇关于颜色直方图法的论文（源码版权归作者所有）：
function colorhist = colorhist(rgb)
% CBIR_colorhist() --- color histogram calculation
% input: MxNx3 image data, in RGB
% output: 1x256 colorhistogram == (HxSxV = 16x4x4)
% as the MPEG-7 generic color histogram descriptor
% [Ref] Manjunath, B.S.; Ohm, J.-R.; Vasudevan, V.V.; Yamada, A., "Color and texture descriptors"
% IEEE Trans. CSVT, Volume: 11 Issue: 6 , Page(s): 703 -715, June 2001 (section III.B)
% check input
if size(rgb,3)~=3
error('3 components is needed for histogram');
end
% globals
H_BITS = 4; S_BITS = 2; V_BITS = 2;
%rgb2hsv可用rgb2hsi代替，见你以前的提问。
hsv = uint8(255*rgb2hsv(rgb));

imgsize = size(hsv);
% get rid of irrelevant boundaries
i0=round(0.05*imgsize(1)); i1=round(0.95*imgsize(1));
j0=round(0.05*imgsize(2)); j1=round(0.95*imgsize(2));
hsv = hsv(i0:i1, j0:j1, :);

% histogram
for i = 1 : 2^H_BITS
for j = 1 : 2^S_BITS
for k = 1 : 2^V_BITS
colorhist(i,j,k) = sum(sum( ...
bitshift(hsv(:,:,1),-(8-H_BITS))==i-1 &...
bitshift(hsv(:,:,2),-(8-S_BITS))==j-1 &...
bitshift(hsv(:,:,3),-(8-V_BITS))==k-1 ));
end
end
end
colorhist = reshape(colorhist, 1, 2^(H_BITS+S_BITS+V_BITS));
% normalize
colorhist = colorhist/sum(colorhist);

%基于纹理特征提取灰度共生矩阵用于纹理判断
% Calculates cooccurrence matrix
% for a given direction and distance
%
% out = cooccurrence (input, dir, dist, symmetric);
%
% INPUT:
% input: input matrix of any size
%
% dir: direction of evaluation
% "dir" value Angle
% 0 0
% 1 -45
% 2 -90
% 3 -135
% 4 -180
% 5 +135
% 6 +90
% 7 +45
%
% dist: distance between pixels
%
% symmetric: 1 for symmetric version
% 0 for non-symmetric version
%
% eg: out = cooccurrence (input, 0, 1, 1);
% Author: Baran Aydogan (15.07.2006)
% RGI, Tampere University of Technology
% [email protected]

function out = cooccurrence (input, dir, dist, symmetric);

input = round(input);
[r c] = size(input);

min_intensity = min(min(input));
max_intensity = max(max(input));

out = zeros(max_intensity-min_intensity+1);
if (dir == 0)
dir_x = 0; dir_y = 1;
end

if (dir == 1)
dir_x = 1; dir_y = 1;
end

if (dir == 2)
dir_x = 1; dir_y = 0;
end

if (dir == 3)
dir_x = 1; dir_y = -1;
end

if (dir == 4)
dir_x = 0; dir_y = -1;
end

if (dir == 5)
dir_x = -1; dir_y = -1;
end

if (dir == 6)
dir_x = -1; dir_y = 0;
end

if (dir == 7)
dir_x = -1; dir_y = 1;
end

dir_x = dir_x*dist;
dir_y = dir_y*dist;

out_ind_x = 0;
out_ind_y = 0;

for intensity1 = min_intensity:max_intensity
out_ind_x = out_ind_x + 1;
out_ind_y = 0;

[ind_x1 ind_y1] = find (input == intensity1);
ind_x1 = ind_x1 + dir_x;
ind_y1 = ind_y1 + dir_y;

for intensity2 = min_intensity:max_intensity
out_ind_y = out_ind_y + 1;

[ind_x2 ind_y2] = find (input == intensity2);

count = 0;

for i = 1:size(ind_x1,1)
for j = 1:size(ind_x2,1)
if ( (ind_x1(i) == ind_x2(j)) && (ind_y1(i) == ind_y2(j)) )
count = count + 1;
end
end
end

out(out_ind_x, out_ind_y) = count;

end
end

if (symmetric)

if (dir < 4)
dir = dir + 4;
else
dir = mod(dir,4);
end
out = out + cooccurrence (input, dir, dist, 0);
end