基于统计学的图像颜色矩特征提取系统

资 源 简 介

本项目主要实现对数字图像进行读取并自动提取其颜色矩特征的功能。系统首先利用MATLAB的图像处理接口imread函数读取目标图片文件（例如代码中的'1.jpg'），将图片数据加载到内存变量I中。接着，程序将对图像数据进行预处理，通常涉及将图像从RGB颜色空间转换到更符合人类视觉感知的HSV或Lab颜色空间，或者直接在RGB空间进行计算。核心处理逻辑是计算图像颜色分布的三个低阶矩：一阶矩（平均值，反映图像的明暗程度）、二阶矩（标准差，反映颜色分布的范围）和三阶矩（偏度，反映颜色分布的对称性）。针对图像的三个颜色通道，分别计算这三个统计量，最终将形成一个包含9个数值元素的特征向量（3个通道 × 3个矩）。该特征向量具有尺寸不变性和旋转不变性，能够高效、紧凑地表征图像的全局颜色分布特征，适用于图像检索、图像匹配及分类等计算机视觉任务。

详 情 说 明

基于MATLAB的图片颜色矩特征提取系统

项目简介

本项目是一个基于MATLAB开发的数字图像特征提取系统，专注于利用颜色矩（Color Moments）算法对图像的全局颜色分布进行量化分析。系统设计旨在模拟计算机视觉中的特征工程流程，能够自动读取图像、转换颜色空间，并计算出具有代表性的低阶统计矩特征。

该系统的核心在于将高维的图像像素数据压缩为紧凑的9维特征向量。通过计算图像在HSV颜色空间中三个通道的一阶矩（均值）、二阶矩（标准差）和三阶矩（偏度），该向量能够有效地表征图像的整体颜色属性（如明暗、对比度及分布对称性）。这种特征表示方法具有尺寸不变性和旋转不变性，非常适合用于图像检索、分类及内容识别等任务。

主要功能特性

• 鲁棒的图像加载机制：系统能够读取本地指定图像文件。为防止文件缺失导致运行失败，内置了自动容错机制，若目标文件不存在，会自动通过算法生成一张包含红绿纹理和蓝色渐变的合成测试图像并保存。
• HSV颜色空间处理：不同于传统的RGB空间，本系统将图像转换为HSV（色调、饱和度、明度）颜色空间进行处理，这种分离方式更符合人类的视觉感知特性。
• 核心特征提取算法：实现了颜色矩算法的完整流程，针对H、S、V三个通道分别计算：

* 一阶矩（Mean）：反映平均颜色强度。 * 二阶矩（Standard Deviation）：反映颜色分布的范围和对比度（使用总体标准差公式）。 * 三阶矩（Skewness）：反映颜色分布的不对称性（采用颜色矩定义中的立方根算法，而非普通统计学偏度）。

• 多维度数据可视化：提供直观的图形用户界面输出，包括原始图像显示、HSV各分量伪彩色/灰度显示，以及特征向量的分组条形图展示。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（图像处理工具箱）

使用方法

1. 确保MATLAB当前工作路径包含本项目的脚本文件。
2. 直接运行主函数（main）。
3. 程序将自动检查当前目录下是否存在名为 1.jpg 的文件：

* 如果存在，直接读取该图片。 * 如果不存在，程序将自动生成并保存一张512x512像素的合成测试图用于演示。

1. 运行结束后，控制台将输出详细的计算数值表格，并弹出一个可视化窗口展示图像分量及特征柱状图。

---

算法实现与代码逻辑详解

本系统的实现逻辑高度集成在单一脚本中，主要划分为以下五个核心处理阶段：

1. 初始化与图像预处理

程序启动时会首先清理工作区环境，确保无残留变量干扰。随后进入图像读取模块：

• 文件检测：使用 exist 函数判断 1.jpg 是否存在。
• 合成图像生成：若未找到图像，利用 meshgrid 和三角函数（sin/cos）生成具有特定纹理特征的RGB三通道矩阵，并使用 imwrite 保存，保证了代码的“开箱即用”特性。
• 数据归一化：使用 im2double 将图像数据转换为双精度浮点型，并将像素值归一化到 [0, 1] 区间，为后续数值计算提供标准输入。

2. 颜色空间转换与通道分离

考虑到RGB颜色空间中颜色分量的高度相关性，代码利用 rgb2hsv 函数将图像转换至HSV空间：

• H通道（Hue）：提取图像的色调信息。
• S通道（Saturation）：提取图像的饱和度信息。
• V通道（Value）：提取图像的明度/亮度信息。

这三个通道被分离为独立的二维矩阵，以便分别进行统计计算。

3. 核心算法：特征矩计算

这是系统的核心逻辑部分，通过自定义函数 calculate_moments 对每个通道数据进行处理。不同于简单的统计函数调用，代码严格遵循颜色矩（Stricker & Orengo）的数学定义：

• 数据扁平化：首先将二维图像矩阵转换为一维列向量。
• 一阶矩计算：直接使用 mean 函数计算像素均值。
• 二阶矩计算：使用 std(..., 1) 计算标准差。注意代码中明确指定了参数 1，表示使用除以 N 的有偏估计（总体标准差），而非默认的 N-1（样本标准差），这符合图像信号处理的标准做法。
• 三阶矩计算：与常见的统计学标准化偏度不同，代码实现了颜色矩特有的定义：计算三阶中心矩后取立方根（nthroot(..., 3)）。这种处理保留了数据的量纲，能够更准确地反映颜色分布的偏斜程度。

最终，H、S、V三个通道计算出的三个矩被按顺序拼接，形成一个 1x9 的特征向量： [H均值, H标准差, H偏度, S均值, S标准差, S偏度, V均值, V标准差, V偏度]

4. 结果输出

控制台输出部分设计了格式化的打印语句：

• 显示图像的基本信息（尺寸、颜色空间）。
• 以表格形式对齐输出各通道的具体数值，保留6位小数。
• 输出完整的特征向量数组格式，便于用户直接复制用于其他机器学习任务。

5. 可视化模块

可视化函数 visualize_results 负责创建一个综合展示窗口：

• 图像展示：利用 subplot 分区，第一行显示原始RGB图像以及分离后的H、S、V三个分量图。为了增强观察效果，H通道采用了 hsv 伪彩色映射，S和V通道采用了 gray 灰度映射。
• 特征统计图：窗口下半部分绘制了一个条形图（Bar Chart），直观展示9个特征值的大小。

* 颜色编码：代码通过循环逻辑动态设置柱状图颜色——前3个（H通道）为红色系，中间3个（S通道）为绿色系，后3个（V通道）为蓝色系，从而在视觉上清晰区分不同通道的特征。 * 数值标注：在每个柱状图上方自动标注了具体的特征数值，方便用户直接读取。