颜色相似度量

颜色相似度量XXX颜色模型就是指某个三维颜色空间中的一个可见光子集，它包含某个颜色域的所有颜色。在大多数的彩色图形显示设备一般都是使用红、绿、蓝三原色，我们的真实感图形学中的主要的颜色模型也是RGB模型，但是红、绿、蓝颜色模型用起来不太方便，它与直观的颜色概念如色调、饱和度和亮度等没有直接的联系。颜色模型主要有HSV、RGB、HSI、CHL、LAB、CMY等。它们在不同的行业各有所指，但在计算机技术方面运用最为广泛。一.颜色模型RGB颜色模型使用了颜色成分红（R）、绿（G）和蓝（B）来定义所给颜色中红色、绿色和蓝色的光的量。在24位图像中，每一颜色成分都由0到255之间的数值表示。在位速率更高的图像中，如48位图像，值的范围更大。在加颜色模型中，如RGB，颜色是通过透射光形成的。因此，RGB被应用于监视器中，对红色、蓝色和绿色的光以各种方式调和来产生更多颜色。当红色、蓝色和绿色的光以其最大强度组合在一起时，眼睛看到的颜色就是白色。理论上，颜色仍为红色、蓝色和绿色，但是在监视器上这些颜色的像素彼此紧挨着，用眼睛无法区分出这三种颜色。当每一种颜色成分的值为0时，即表示没有任何颜色的光，因此，眼镜看到的颜色就为黑色。RGB是最常用的颜色模型，因此，他可以存储和显示多种颜色。（1）RGB颜色模型每一种颜色都是由色相（Hue，简H），饱和度（Saturation，简S）和色明度（Value，简V）所表示的。HSV模型对应于圆柱坐标系中的一个圆锥形子集，圆锥的顶面对应于V=1。它包含RGB模型中的R=1，G=1，B=1三个面，所代表的颜色较亮。色彩H由绕V轴的旋转角给定。红色对应于角度0°，绿色对应于角度120°，蓝色对应于角度240°。在HSV颜色模型中，每一种颜色和它的补色相差180°。饱和度S取值从0到1，所以圆锥顶面的半径为1。（2）HSV颜色模型。二.基于颜色特征的相似度量颜色是图像的一种重要视觉性质,是人识别图像的主要感知特征之一。相对于其他的特征,颜色特征非常稳定,对于旋转、平移和尺度变化等都不敏感,而且颜色特征计算简单,因此在图像处理中得到广泛的重视和研究。目前,基于颜色特征的信息检索成为图像检索中的一种重要而广泛使用的方法。颜色特征可用不同形式的颜色直方图来表示,主要有3个独立的一维直方图,分别为彩色图像RGB3个分量的直方图,基于该颜色直方图之间的距离或它们的交可以来判断颜色相似度。基于直方图的颜色相似度计算方法优点：与图像旋转、平移和尺寸变化无关缺点：两幅看起来颜色非常相似的图像，如果它们的颜色直方图交集为空或者直方图之间距离很大，那么相似度为零或者很小,这显然不符合人的感知。

具体方法：绝对值距离、巴氏距离、欧式距离、直方图相交法、x2距离、参考颜色表、中心矩等设a，b是两幅图像对应的特征向量，ai，bi分别代表特征分量。Minkowsky距离是基于Lp

范数定义的：

a)如果p=l，称为城区距离(city-block)，也就是绝对值距离：

（1）Minkowsky距离b)如果p=2，称为欧式距离(Euclideandistance)：

欧氏距离是最易于理解的一种距离计算方法，源自欧氏空间中两点间的距离公式。c)如果p→∞，称为切比雪夫距离(Chebyshevdistance)：直方图相交法(histogramintersection)是由Swain等人于1991年首次提出的，直方图相交法计算简单快速并且能较好地抑制背景的影响。（2）直方图相交法Bhattacharyya距离测量两个离散或连续概率分布的相似性。它与衡量两个统计样品或种群之间的重叠量的Bhattacharyya系数密切相关。巴氏距离的定义对于离散概率分布

p和q在同一域

X，它被定义为：其中：是Bhattacharyya系数。（3）巴氏距离Bhattacharyya

Distance对于连续概率分布，Bhattacharyya系数被定义为：要对两个直方图（如H1和H2）进行比较，要选择衡量直方图相似度的对比标准（d(H1,H2)）。在OpenCV2.X中，用compareHist()函数来对比两个直方图的相似度。

（3）OpenCV中直方图对比compareHist()函数用于两幅直方图进行比较。有两个版本的C++原型，如下：C++:doublecompareHist(InputArrayH1,InputArrayH2,intmethiod)C++:doublecompareHist(constSparseMat&H1,constSparseMat&H2,intmethod)它们的前两个参数都是要比较的大小相同的直方图，第三个变量是所选择的距离标准。可用如下的4种方法，比较两个直方图：1.相关（method=CV_COMP_CORREL）2.卡方（method=CV_COMP_CHISQR）3.直方图相交（method=CV_COMP_INTERSECT）4.巴氏距离（method=CV_COMP_BHATTACHARYYA）测试图片：程序运行结果(一维直方图)：说明：对于直方图相交，高分表示好的匹配，而低分表示坏匹配。而巴氏距离则相反，低分表示好的匹配，高分表示坏的匹配。RGB三色直方图的对比说明：对于直方图相交，高分表示好的匹配，而低分表示坏匹配。而巴氏距离则相反，低分表示好的匹配，高分表示坏的匹配。(1)//载入原图和测试图并显示MatsrcImage,srcImage_Sub;srcImage=imread("1.jpg");srcImage_Sub=imread("2.jpg");imshow("原始图",srcImage);imshow("原始图2",srcImage_Sub);(2)//定义与初始化相关变量intbins=256;inthist_size[]={bins};floatrange[]={0,256};constfloat*ranges[]={range};MatNDredHist,redHist_Sub;intchannels_r[]={0};主要代码分析(3)//进行直方图的计算(红色分量部分)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)//为绘制直方图进行参数准备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)//绘制红色分量直方图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)//显示红色分量直方图imshow("Red",histImage_Red);imshow("RedSub",histImage_Red_Sub);(7)//矩阵归一化normalize(redHist,redHist,0,1,NORM_MINMAX,-1,Mat());normalize(redHist_Sub,redHist_Sub,0,1,NORM_MINMAX,-1,Mat());(8)//直方图相交法对比原图和测试图doublecompareResults_r=compareHist(redHist,redHist_Sub,CV_COMP_INTERSECT);cout<<"