【文章內容簡介】 顏色空間模型HSV顏色空間直接對應于人眼色彩視覺特征的三要素，通道之間各自獨立，因此可以獨立感知各顏色分量的變化，其中色調尤其影響著人的視覺判斷。因此在基于內容的圖像檢索中，應用這種顏色空間模型會更適合用戶的視覺判斷。　RGB 顏色空間到 HSV 顏色空間的轉換一般情況下，人們認識到的圖像都是在RGB顏色空間描述的，但在圖像檢索的應用過程中，HSV空間模型更適合于人的視覺感知。因此，應該將圖像從RGB空間模型轉換到HSV空間模型[4]。設r，g，b[0，1，2，……，255]，由RGB顏色空間模型到HSV顏色空間模型的轉化為：設v’=max(r，g，b)，定義r’，g’，b’為：r’=v39。rv39。min?(r,g,b)，g’=v39。g39。v39。min?(r,g,b)， b’=v39。bv39。min?(r,g,b)，則 v=v’/255，v[0，1]S=v39。minr,g,bv39。,max?(r,g,b)≠min?(r,g,b) 0 , maxr,g,b=min?(r,g,b) ，S∈[0，1] （31）5+b’，若r=max(r，g，b)且g=min(r，g，b)。1g’，若r=max(r，g，b)且g≠min(r，g，b)60h= 1+r’， 若g=max(r，g，b)且b=min(r，g，b) ， S=0, amp。S∈[0,]1, S∈[,1] （32）3b’，若g=max(r，g，b)且b≠min(r，g，b)3+g’，若b=max(r，g，b)且r=min(r，g，b)5r’， 否則 這里r，g，b[0,255]，h[0,360][4]?！☆伾炕伾炕侵复_定一組顏色以表示圖像的顏色空間，然后確定從顏色空間到選定顏色集合的映射，即將顏色空間映射到一個給定大小的子集中，并使其總體誤差最小。因為 CBIR 中采用的HSV顏色空間具有視覺一致性的特點，而且人眼分辨顏色的能力是有限的[5]。因此，在量化時可以考慮按照人的顏色感知對顏色空間進行非等間距的量化，量化結果為：0，H∈[0，60]1，H∈[60，120] 0， V∈[0，]H= 2，H∈[120，180] ，S=0, amp。S∈[0,]1, S∈[,1] ， V= 1， V∈[，] （33）3，H∈[180，240] 2， V∈[，1] 4，H∈[240，300]5，H∈[300，360]量化結束后，可以將HSV顏色空間劃分為LHLSLV個相似色空間，其中量化級數(shù)LH=6，LS=2，LV=3。故把三個分量合并成一個一維的特征矢量就是L=LSLVH+LVS+V=6H+3S+V。這樣H、S、V三個分量分布在一維矢量上，L的取值范圍為[0，35]，即顏色量化后的圖像可以得到36柄的一維顏色直方圖[3]?！☆伾狈綀D對于基于顏色的圖像檢索系統(tǒng)，關鍵問題之一是對顏色特征的提取。目前，大部分基于顏色的檢索系統(tǒng)都是以比例分布作為顏色的基本特征，這也就是圖像的顏色直方圖。顏色的直方圖特征是圖像檢索領域中提出最早、算法最簡單，而且具有尺度不變性和旋轉不變性[2]，因此成為使用最為廣泛的顏色特征之一。它是在確定顏色空間的基礎上，統(tǒng)計出圖像中每種顏色分量的像素數(shù)占圖像總像素數(shù)的比值，從而得到圖像各種顏色分量的比例分布直方圖，將其轉換成為一維的特征向量，作為這幅圖像的特征。顏色直方圖是顏色信息的函數(shù)，它表示圖像中具有同顏色級別的像素的個數(shù)，其橫坐標是顏色級別，縱坐標是顏色出現(xiàn)的頻率，即像素的個數(shù)。顏色直方圖是一種概率統(tǒng)計的方法。它將圖像中各顏色像素的個數(shù)進行統(tǒng)計，并用直方圖的形式表達出來，具體定義為：H（P）=（hc1(L)，hc2(L)，hc3(L)，……，hci(L)……）其中，hci(L)=||Lci||N，||Lci||表示圖像中所有顏色為Ci的像素的個數(shù)。這種顏色直方圖只反映了圖像中所占的百分比，而丟失了圖像顏色的空間分布信息，也就是說兩幅顏色空間分布完全不同的圖像（如天空和海洋）仍可以具有相同的直方圖，這勢必造成檢索的誤差。這時，可以加進顏色的空間分部信息?！』谧訅K顏色直方圖算法一般顏色直方圖在算法上比較簡單，但圖像檢索時卻不夠準確，因為顏色直方圖相似的圖像可能內容差別很大。這時便可以通過利用基于子塊顏色直方圖算法來實現(xiàn)圖像的檢索。將圖像劃分為幾個單元，然后分別計算這些單元顏色直方圖。在計算圖像的相似距離時，先計算每張圖像中每個單元之間的距離，然后將這些距離組合起來，便可以得到圖像與圖像的距離?；谧訅K顏色直方圖的圖像檢索方法可以采用一種比較簡單的固定劃分策略，將圖像分解成為若干個大小相同并且互相不重疊的單元區(qū)域。同時，用戶可以對自己感興趣的子塊增大權重，提高檢索準確率。通常情況下，主要內容位于圖像的中間區(qū)域，圖像的四周大多是背景畫面。因此可以采用這樣一種分塊方法[3]：41325圖33　　分塊策略由此劃分方法可知：圖像的主要區(qū)域位于第5塊，其余的標號為4的屬于背景。在特征的提取過程中，提取第5塊的主顏色，提取4塊的平均顏色，剩下圖像的四角部分對圖像特征影響不大，往往可以忽略。提取特征的方法為：（1）計算各個分塊的一般顏色直方圖設二維數(shù)組L[I，j]中存放的是圖像各像素點量化后的HSV顏色值，其中i，j為各像素點坐標。數(shù)組PicCenter[k]中存放中心區(qū)域的一般直方圖，k為量化后的HSV顏色值。（2）然后計算第5塊（中心區(qū)域）的主顏色m5主顏色是指圖像中出現(xiàn)次數(shù)最多的那種顏色，即main=取下標（max{h[c]}）。將設定好的顏色區(qū)域窗口沿直方圖從左向右移動，并記錄窗口內顏色的總頻數(shù)。得到總頻數(shù)最大的窗口位置時，此窗口內顏色的加權平均值即為圖像的主顏色，即main=cih[ci]/h[ci]。（3）計算4塊的平均顏色ei，i=1，2，3，4平均顏色是一般直方圖顏色的加權平均：mean=c=035ch[c]/c=035h[c]。（4）圖像分塊顏色特征向量由第5塊的主顏色和4塊的平均顏色共同組成了分塊顏色特征向量：F={m5，e1，e2，e3，e4}?！D像的相似性度量在基于內容的圖像檢索中，特征的相似距離的度量也是需要解決的重要問題之一。只有在得到了圖像的特征后進行特征的相似性度量，才能有效的根據(jù)相似距離進行比較，準確地實現(xiàn)圖像檢索?！D像的相似度為了達到圖像檢索的目的，需要對提取的特征進行相似度計算。相似度是以數(shù)值的形式來表示兩幅圖像之間的相似程度的度量結果，即相似距離。將圖像的特征看作是坐標空間中的點，兩個點的接近程度即相似度通常用他們之間的距離表示，不同類型的特征數(shù)據(jù)所采用的相似性度量函數(shù)是不一樣的，相似度公式的選擇的恰當與否對檢索的精確度有很大的影響。合適的距離算法的選擇，有助于基于內容的圖像檢索的性能提高。　相似度計算公式圖像顏色特征相似關系的研究通常使用的是幾何模型。對于幾何相似距離的數(shù)學表達形式可以采用以下幾種表示方法[2]：（1）歐式距離公式歐式距離是一個常見的判斷兩個對象相似的公式，圖像X和圖像Y之間的距離定義為：Sim（X，Y）=||XY||=i=1nxiyi（xiyi） （34）當Sim（X，Y）越大時，兩幅圖像在這一特征上的差異就越大，反之兩幅圖像就越相似。但是由于歐式距離在計算中沒有考慮顏色間的相似性，不符合人的視覺感受，可以采用直方圖二次型距離法克服這一缺陷。（2）直方圖的二次型距離這種計算距離的公式中加進了顏色相似矩陣，其形式為D (Hm，Hk) = (HmHk) T A (HmHk)，矩陣Ann=[aij]，權aij表示Hm中第i個元素Hm[ci],與Hk[cj]的相似程度，aij=aji且aii=1，其中Hm為目標圖像顏色直方圖，Hk為庫中顏色直方圖。（3）分塊顏色特征向量計算法對于分塊顏色特征，可以采用下式計算相似距離：D（Q，T）=w5mQmTmQmT+i=1,2,3,4wi（eQeT）（eQeT） （35）wi=, amp。 當i=5時 ,