高光譜顯微成像技術(shù)數(shù)據(jù)中除了光譜數(shù)據(jù)外還包括豐富的圖像數(shù)據(jù)，圖像數(shù)據(jù)可以方便觀察樣本的空間結(jié)構(gòu)，同時(shí)也包含待測樣本的特征，包括顏色特征和紋理特征等。本文簡單介紹了介紹幾種顏色特征和紋理特征的提取算法。

?

顏色特征提取

顏色作為圖像的主要特征，在圖像處理和圖像識別中應(yīng)用廣泛，且起到舉足輕重的作用。顏色特征是利用數(shù)字化的方式將圖像的顏色進(jìn)行描述，提取過程無需大量計(jì)算，復(fù)雜度低。

1.?顏色矩

1995年Stricker等人首次提出了圖像顏色距特征的概念。該特征以線性代數(shù)中“距”的概念描述顏色分布，其中一階距、二階矩和三階矩分別表示顏色平均值，方差和偏斜度。

2.?HSV顏色空間

1978年Smith等人首次提出圖像的HSV顏色空間特征，該特征將RGB顏色空間對應(yīng)于倒立圓錐體內(nèi)，可以更加直觀描述顏色。圖為HSV顏色空間示意圖，其中H表示色調(diào)，S表示飽和度，V表示亮度。H利用角度表征，取值范圍0-360?，在圖中以S坐標(biāo)正方向沿逆時(shí)針方向觀察，依次用0?表示紅色，120?表示綠色，240?表示藍(lán)色。S大小表征顏色純度，取值范圍為0-1，如圖在H和V相同的情況下，S越接近于0，對應(yīng)顏色越淺。V表征顏色明暗，取值范圍為0-1，當(dāng)V為0時(shí)表示黑色，V為1且S為0時(shí)表示白色。

紋理特征提取

1.?灰度共生矩陣

1973年Haralick等人提出用于描述圖像紋理特征的灰度共生矩陣（GLCM）特征[53]。GLCM是根據(jù)像素點(diǎn)之間的分布關(guān)系反映圖像紋理信息，圖2.5展示GLCM特征的基本求解方法，首先假設(shè)圖像灰度值范圍為1-8，圖2.5（a）表示原始圖像，圖2.5（b）表示GLCM特征，（b）中位置坐標(biāo)為（i，j）的元素對應(yīng)于（a）中灰度為i的像素與灰度為j的像素相鄰的個數(shù)。例如，（b）中位置坐標(biāo)為（1，2）的元素值為2，表示在（a）中有兩對相鄰像素為1和2，對應(yīng)圖中紅色框框選部分。

2.?局部二值模式

1996年Ojala等人提出用于描述圖像紋理特征的算子——局部二值模式（LBP）。其原理如圖2.6所示，LBP算子的原始窗口大小為3?像素，位于該窗口的像素值如圖（b）所示，若四周像素灰度值大于中央像素灰度值，則將該點(diǎn)記為1，若小于中央像素灰度值，則為0，通過計(jì)算圖（b）中的像素可以寫為圖（c）所示，對圖（c）按照順時(shí)針記錄，得到圖（d）所示二進(jìn)制數(shù)組，并對其進(jìn)行十進(jìn)制轉(zhuǎn)化即可得到圖（e）即LBP特征。

3.?方向梯度直方圖

2005年Dalal等人首次定義用于表征描述圖像的局部梯度方向和梯度強(qiáng)度分布方數(shù)據(jù)的算子方向梯度直方圖（HOG）特征。該算法假定圖像具體邊緣位置未知，通過邊緣方向的分布描述樣本外形輪廓。算法通過使用水平方向的一維卷積核[-1，0，1]和豎直方向的一維卷積核計(jì)算區(qū)塊中的梯度值[-1，0，1]，在獲得區(qū)塊中的梯度值后在每個區(qū)塊中構(gòu)建一個直方圖，根據(jù)區(qū)塊中每個像素的方向，在直方圖中統(tǒng)計(jì)出不同方向的幅值。考慮到性能，還能進(jìn)一步劃分出大塊部分并通過歸一化操作處理其中的光照變化和梯度強(qiáng)度，接著結(jié)合每一個直方圖就得到了局部紋理特征。

?

?