顏色特征
(1)特征:顏色特征是描述圖像或圖像區域對應的場景的表面屬性的全局特征。壹般來說，顏色特征是以像素特征為基礎的，屬於壹幅圖像或壹個圖像區域的所有像素都有自己的貢獻。由於顏色對圖像或圖像區域的方向和大小的變化不敏感，顏色特征不能很好地捕捉圖像中物體的局部特征。此外，當僅使用顏色特征進行查詢時，如果數據庫非常大，往往會檢索到許多不必要的圖像。顏色直方圖是表達顏色特征最常用的方法。其優點是不受圖像旋轉、平移變化的影響，借助歸壹化也不受圖像尺度變化的影響。它的基本缺點是沒有表達顏色空間分布的信息。
(2)常用的特征提取和匹配方法
(1)顏色直方圖
它的優點是可以簡單地描述壹幅圖像中顏色的全局分布，即不同顏色在整個圖像中所占的比例，特別適用於描述那些難以自動分割且不需要考慮物體空間位置的圖像。它的缺點是不能描述圖像中顏色的局部分布和每種顏色的空間位置，也就是不能描述圖像中的壹個具體的物體或對象。
最常用的顏色空間:RGB顏色空間，HSV顏色空間。
顏色直方圖特征匹配方法:直方圖相交法、距離法、中心距離法、參考顏色表法和累積顏色直方圖法。
(2)顏色設置
顏色直方圖方法是壹種全局顏色特征提取和匹配方法，不能區分局部顏色信息。顏色集是顏色直方圖的近似值。首先將圖像從RGB色彩空間轉換到視覺平衡的色彩空間(如HSV空間)，將色彩空間量化為若幹個句柄。然後，利用自動顏色分割技術將圖像分成若幹區域，每個區域用量化顏色空間的某個顏色分量進行索引，從而將圖像表示為壹個二值顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和顏色區域的空間關系。
(3)顏色矩
這種方法的數學基礎是圖像中的任何顏色分布都可以用它的矩來表示。另外，由於顏色分布信息主要集中在低階矩上，所以只用顏色的壹階矩(均值)、二階矩(方差)和三階矩(偏度)就足以表示壹幅圖像的顏色分布。
(4)顏色聚集向量
核心思想是將屬於直方圖每個柄的像素分成兩部分。如果句柄中的某些像素所占據的連續區域的面積大於給定的閾值，則該區域中的像素被視為聚集像素，否則被視為非聚集像素。
(5)顏色相關圖
雙紋理特征
(1)特征:紋理特征也是壹種全局特征，它也描述了圖像或圖像區域對應的場景的表面屬性。但是，由於紋理只是物體表面的特征，不能完全反映物體的本質屬性，因此僅利用紋理特征無法獲得高層次的圖像內容。與顏色特征不同，紋理特征不是基於像素特征，而是需要在包含多個像素點的區域內進行統計計算。在模式匹配中，這種區域特征有很大的優勢，不會因為局部偏差而無法匹配成功。紋理特征作為壹種統計特征，往往具有旋轉不變性和很強的抗噪性。然而，紋理特征也有其缺點。壹個明顯的缺點是，當圖像的分辨率發生變化時，計算出的紋理可能會有很大的偏差。此外，因為它可能受到照明和反射的影響，所以從2-D圖像反射的紋理不壹定是3-D物體表面上的真實紋理。
比如在水中的反射，光滑金屬表面的相互反射，都會導致質感的變化。因為這些都不是物體本身的特征，所以在紋理信息應用於檢索時，有時這些虛假紋理會造成“誤導”。
在檢索厚度和密度差異較大的紋理圖像時，利用紋理特征是壹種有效的方法。而當紋理之間差別不大時，如厚度、密度等，就很難準確反映不同視覺感受的紋理之間的差異。
(2)常用的特征提取和匹配方法
紋理特征描述方法的分類
(1)統計方法的典型代表是壹種叫做灰度* * *生成矩陣的紋理特征分析方法。Gotlieb和Kreyszig等人在研究* * *生成矩陣中各種統計特征的基礎上，通過實驗得出了灰* *生成矩陣的四個關鍵特征:能量、慣性、熵和相關性。另壹種典型的統計方法是從圖像的自相關函數(即圖像的能譜函數)中提取紋理特征，即通過計算圖像的能譜函數，提取紋理的粗細、方向性等特征參數。
(2)幾何方法
所謂幾何法，是壹種基於紋理基元(基本紋理元素)理論的紋理特征分析方法。根據紋理基元理論，壹個復雜的紋理可以由若幹個簡單的紋理基元以壹定的規則形式重復排列而成。在幾何方法中，有兩種比較有影響的算法:Voronio棋盤特征法和結構法。
(3)模型方法
模型方法基於圖像的構造模型，模型的參數作為紋理特征。典型的方法有隨機場模型法，如馬爾可夫隨機場(MRF)模型法和Gibbs隨機場模型法。
(4)信號處理方法
紋理特征提取和匹配主要包括:灰度* * *生成矩陣、Tamura紋理特征、自回歸紋理模型、小波變換等。
灰度* *生成矩陣的特征提取和匹配主要依賴於四個參數:能量、慣性、熵和相關性。田村紋理特征是基於人類視覺感知紋理的心理學研究，提出了六個屬性，分別是:粗糙度、對比度、方向、線像、規則度和粗糙度。自回歸紋理模型(SAR)是馬爾可夫隨機場(MRF)模型的壹個應用實例。
三形特征
(1)特征:各種基於形狀的檢索方法都能有效地利用圖像中感興趣的對象進行檢索，但它們也存在壹些共性問題，包括:①目前基於形狀的檢索方法還缺乏壹個相對完善的數學模型；②如果目標變形，檢索結果往往不可靠；(3)許多形狀特征只描述目標的局部性質，要完全描述目標往往需要很高的計算時間和存儲容量；④許多形狀特征所反映的目標的形狀信息並不完全符合人類的直觀感受，或者特征空間的相似性與人類視覺系統感知的相似性不同。此外，在二維圖像中表示的三維物體實際上只是物體在空間中某壹平面上的投影，從二維圖像反射的形狀往往不是三維物體的真實形狀，這可能由於視點的改變而引起各種失真。
(2)常用的特征提取和匹配方法
ⅰ幾種典型的形狀特征描述方法
通常形狀特征的表示方法有兩種，壹種是輪廓特征，另壹種是區域特征。圖像的輪廓特征主要針對物體的外邊界，而圖像的區域特征則與整個形狀區域有關。
幾種典型的形狀特征描述方法；
(1)邊界特征法該方法通過描述邊界特征來獲取圖像的形狀參數。其中，檢測平行直線的Hough變換法和邊界方向直方圖法是經典方法。霍夫變換是壹種利用圖像的全局特征連接邊緣像素形成閉合邊界的方法，其基本思想是點和線的二元性；邊界方向直方圖法首先對圖像進行微分得到圖像邊緣，然後對邊緣的大小和方向做直方圖。通常的方法是構造圖像灰度梯度方向矩陣。
(2)傅立葉形狀描述符方法
傅立葉形狀描述子的基本思想是利用物體邊界的傅立葉變換作為形狀描述，利用區域邊界的封閉性和周期性，將二維問題轉化為壹維問題。
由邊界點導出三種形狀表達式，即曲率函數、質心距離和復坐標函數。
(3)幾何參數法
形狀的表達和匹配采用更簡單的區域特征描述方法，例如，形狀因子法用於形狀的定量度量(如矩、面積、周長等。).在QBIC系統中，幾何參數如圓度、偏心率、主軸方向和代數矩不變量用於基於形狀特征的圖像檢索。
需要註意的是，形狀參數的提取必須建立在圖像處理和圖像分割的基礎上，參數的準確性必然會受到分割效果的影響。對於分割效果不好的圖像，甚至無法提取形狀參數。
(4)形狀不變矩方法
目標所占面積的矩被用作形狀描述參數。
(5)其他方法
近年來，在形狀表示和匹配方面的工作還包括有限元法、轉向函數和小波描述子。
基於小波和相對矩的形狀特征提取和匹配
該方法利用小波變換的模極大值得到壹幅多尺度邊緣圖像，然後計算每個尺度的7個不變矩，再轉換成10個相對矩，將所有尺度的相對矩作為圖像特征向量，從而統壹了區域和封閉與非封閉結構。
四個空間關系特征
(1)特征:所謂空間關系，是指圖像中分割出的多個對象之間的相互空間位置或相對方向關系，也可分為連接/鄰接關系、重疊/交疊關系和包含/包含關系。通常，空間位置信息可以分為兩類:相對空間位置信息和絕對空間位置信息。前壹種關系強調目標之間的相對位置，如上下左右等關系。，而後壹種關系強調目標之間的距離和方向。顯然，可以從絕對空間位置推導出相對空間位置，但表達相對空間位置信息往往很簡單。
利用空間關系特征可以加強對圖像內容的描述和分辨能力，但空間關系特征往往對圖像或目標的旋轉、反轉和尺度變化比較敏感。此外，在實際應用中，僅使用空間信息往往是不夠的，無法有效準確地表達場景信息。為了進行搜索，除了空間關系特征之外，還需要其他特征。
(2)常用的特征提取和匹配方法
提取圖像的空間關系特征有兩種方法:壹種是自動分割圖像並劃分圖像中包含的物體或顏色區域，然後根據這些區域提取圖像特征並建立索引；另壹種方法簡單地將圖像分成若幹規則的子塊，然後從每個圖像子塊中提取特征並建立索引。