常用的圖像特徵有：顏色特徵、紋理特徵、形狀特徵、空間關係特徵。
一 、顏色特徵
（一）特點：顏色特徵是一種全局特徵,描述了圖像或圖像區域所對應的景物的表面性質。一般顏色特徵是基於像素點的特徵，此時所有屬於圖像或圖像區域的像素都有各自的貢獻。由於顏色對圖像或圖像區域的方向、大小等變化不敏感，所以顏色特徵不能很好地捕捉圖像中對象的局部特徵。另外，僅使用顏色特徵查詢時，如果數據庫很大，常會將許多不需要的圖像也檢索出來。顏色直方圖是最常用的表達顏色特徵的方法，其優點是不受圖像旋轉和平移變化的影響，進一步藉助歸一化還可不受圖像尺度變化的影響，基缺點是沒有表達出顏色空間分佈的信息。
（二）常用的特徵提取與匹配方法
（1） 顏色直方圖
其優點在於：它能簡單描述一幅圖像中顏色的全局分佈，即不同色彩在整幅圖像中所佔的比例，特別適用於描述那些難以自動分割的圖像和不需要考慮物體空間位置的圖像。
其缺點在於：它無法描述圖像中顏色的局部分佈及每種色彩所處的空間位置，即無法描述圖像中的某一具體的對象或物體。
最常用的顏色空間：RGB顏色空間、HSV顏色空間。
顏色直方圖特徵匹配方法：直方圖相交法、距離法、中心距法、參考顏色表法、累加顏色直方圖法。
（2） 顏色集
顏色直方圖法是一種全局顏色特徵提取與匹配方法，無法區分局部顏色信息。顏色集是對顏色直方圖的一種近似首先將圖像從 RGB顏色空間轉化成視覺均衡的顏色空間（如 HSV 空間），並將顏色空間量化成若干個柄。然後，用色彩自動分割技術將圖像分爲若干區域，每個區域用量化顏色空間的某個顏色分量來索引，從而將圖像表達爲一個二進制的顏色索引集。在圖像匹配中，比較不同圖像顏色集之間的距離和色彩區域的空間關係
（3） 顏色矩
這種方法的數學基礎在於：圖像中任何的顏色分佈均可以用它的矩來表示。此外，由於顏色分佈信息主要集中在低階矩中，因此，僅採用顏色的一階矩（mean）、二階矩（variance）和三階矩（skewness）就足以表達圖像的顏色分佈。
（4） 顏色聚合向量
其核心思想是：將屬於直方圖每一個柄的像素分成兩部分，如果該柄內的某些像素所佔據的連續區域的面積大於給定的閾值，則該區域內的像素作爲聚合像素，否則作爲非聚合像素。
（5） 顏色相關圖
二、紋理特徵
（一）特點：紋理特徵也是一種全局特徵，它也描述了圖像或圖像區域所對應景物的表面性質。但由於紋理只是一種物體表面的特性，並不能完全反映出物體的本質屬性，所以僅僅利用紋理特徵是無法獲得高層次圖像內容的。與顏色特徵不同，紋理特徵不是基於像素點的特徵，它需要在包含多個像素點的區域中進行統計計算。在模式匹配中，這種區域性的特徵具有較大的優越性，不會由於局部的偏差而無法匹配成功。作爲一種統計特徵，紋理特徵常具有旋轉不變性，並且對於噪聲有較強的抵抗能力。但是，紋理特徵也有其缺點，一個很明顯的缺點是當圖像的分辨率變化的時候，所計算出來的紋理可能會有較大偏差。另外，由於有可能受到光照、反射情況的影響，從2-D圖像中反映出來的紋理不一定是3-D物體表面真實的紋理。
例如，水中的倒影，光滑的金屬面互相反射造成的影響等都會導致紋理的變化。由於這些不是物體本身的特性，因而將紋理信息應用於檢索時，有時這些虛假的紋理會對檢索造成“誤導”。
在檢索具有粗細、疏密等方面較大差別的紋理圖像時，利用紋理特徵是一種有效的方法。但當紋理之間的粗細、疏密等易於分辨的信息之間相差不大的時候，通常的紋理特徵很難準確地反映出人的視覺感覺不同的紋理之間的差別。
（二）常用的特徵提取與匹配方法
紋理特徵描述方法分類
（1）統計方法
統計方法的典型代表是一種稱爲灰度共生矩陣的紋理特徵分析方法Gotlieb 和 Kreyszig 等人在研究共生矩陣中各種統計特徵基礎上，通過實驗，得出灰度共生矩陣的四個關鍵特徵：能量、慣量、熵和相關性。統計方法中另一種典型方法，則是從圖像的自相關函數（即圖像的能量譜函數）提取紋理特徵，即通過對圖像的能量譜函數的計算，提取紋理的粗細度及方向性等特徵參數
（2）幾何法
所謂幾何法，是建立在紋理基元（基本的紋理元素）理論基礎上的一種紋理特徵分析方法。紋理基元理論認爲，複雜的紋理可以由若干簡單的紋理基元以一定的有規律的形式重複排列構成。在幾何法中，比較有影響的算法有兩種：Voronio 棋盤格特徵法和結構法。
（3）模型法
模型法以圖像的構造模型爲基礎，採用模型的參數作爲紋理特徵。典型的方法是隨機場模型法，如馬爾可夫（Markov）隨機場（MRF）模型法和 Gibbs 隨機場模型法
（4）信號處理法
紋理特徵的提取與匹配主要有：灰度共生矩陣、Tamura 紋理特徵、自迴歸紋理模型、小波變換等。
灰度共生矩陣特徵提取與匹配主要依賴於能量、慣量、熵和相關性四個參數。Tamura 紋理特徵基於人類對紋理的視覺感知心理學研究，提出6種屬性，即：粗糙度、對比度、方向度、線像度、規整度和粗略度。自迴歸紋理模型（simultaneousauto-regressive, SAR）是馬爾可夫隨機場（MRF）模型的一種應用實例。
三、形狀特徵
（一）特點：各種基於形狀特徵的檢索方法都可以比較有效地利用圖像中感興趣的目標來進行檢索，但它們也有一些共同的問題，包括：①目前基於形狀的檢索方法還缺乏比較完善的數學模型；②如果目標有變形時檢索結果往往不太可靠；③許多形狀特徵僅描述了目標局部的性質，要全面描述目標常對計算時間和存儲量有較高的要求；④許多形狀特徵所反映的目標形狀信息與人的直觀感覺不完全一致，或者說，特徵空間的相似性與人視覺系統感受到的相似性有差別。另外，從 2-D 圖像中表現的 3-D 物體實際上只是物體在空間某一平面的投影，從 2-D 圖像中反映出來的形狀常不是 3-D 物體真實的形狀，由於視點的變化，可能會產生各種失真。
（二）常用的特徵提取與匹配方法
Ⅰ幾種典型的形狀特徵描述方法
通常情況下，形狀特徵有兩類表示方法，一類是輪廓特徵，另一類是區域特徵。圖像的輪廓特徵主要針對物體的外邊界，而圖像的區域特徵則關係到整個形狀區域。
幾種典型的形狀特徵描述方法：
（1）邊界特徵法該方法通過對邊界特徵的描述來獲取圖像的形狀參數。其中Hough變換檢測平行直線方法和邊界方向直方圖方法是經典方法。Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區域封閉邊界的一種方法，其基本思想是點—線的對偶性；邊界方向直方圖法首先微分圖像求得圖像邊緣，然後，做出關於邊緣大小和方向的直方圖，通常的方法是構造圖像灰度梯度方向矩陣。
（2）傅里葉形狀描述符法
傅里葉形狀描述符(Fourier shape descriptors)基本思想是用物體邊界的傅里葉變換作爲形狀描述，利用區域邊界的封閉性和週期性，將二維問題轉化爲一維問題。
由邊界點導出三種形狀表達，分別是曲率函數、質心距離、復座標函數。
（3）幾何參數法
形狀的表達和匹配採用更爲簡單的區域特徵描述方法，例如採用有關形狀定量測度（如矩、面積、周長等）的形狀參數法（shapefactor）。在 QBIC 系統中，便是利用圓度、偏心率、主軸方向和代數不變矩等幾何參數，進行基於形狀特徵的圖像檢索。
需要說明的是，形狀參數的提取，必須以圖像處理及圖像分割爲前提，參數的準確性必然受到分割效果的影響，對分割效果很差的圖像，形狀參數甚至無法提取。
（4）形狀不變矩法
利用目標所佔區域的矩作爲形狀描述參數。
（5）其它方法
近年來，在形狀的表示和匹配方面的工作還包括有限元法（Finite Element Method或 FEM）、旋轉函數（Turning Function）和小波描述符（Wavelet Descriptor）等方法。
Ⅱ 基於小波和相對矩的形狀特徵提取與匹配
該方法先用小波變換模極大值得到多尺度邊緣圖像，然後計算每一尺度的 7個不變矩，再轉化爲 10 個相對矩，將所有尺度上的相對矩作爲圖像特徵向量，從而統一了區域和封閉、不封閉結構。
四 空間關係特徵
（一）特點：所謂空間關係，是指圖像中分割出來的多個目標之間的相互的空間位置或相對方向關係，這些關係也可分爲連接/鄰接關係、交疊/重疊關係和包含/包容關係等。通常空間位置信息可以分爲兩類：相對空間位置信息和絕對空間位置信息。前一種關係強調的是目標之間的相對情況，如上下左右關係等，後一種關係強調的是目標之間的距離大小以及方位。顯而易見，由絕對空間位置可推出相對空間位置，但表達相對空間位置信息常比較簡單。
空間關係特徵的使用可加強對圖像內容的描述區分能力，但空間關係特徵常對圖像或目標的旋轉、反轉、尺度變化等比較敏感。另外，實際應用中，僅僅利用空間信息往往是不夠的，不能有效準確地表達場景信息。爲了檢索，除使用空間關係特徵外，還需要其它特徵來配合。
（二）常用的特徵提取與匹配方法
提取圖像空間關係特徵可以有兩種方法：一種方法是首先對圖像進行自動分割，劃分出圖像中所包含的對象或顏色區域，然後根據這些區域提取圖像特徵，並建立索引；另一種方法則簡單地將圖像均勻地劃分爲若干規則子塊，然後對每個圖像子塊提取特徵，並建立索引。
---------------------
作者：託沃斯-勒夫
來源：CSDN
原文：https://blog.csdn.net/gdut2015go/article/details/46753671
版權聲明：本文爲博主原創文章，轉載請附上博文鏈接！