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(cè)樣本的特征，包括顏色特征和紋理特征等。本文簡(jiǎn)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(shí)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(guò)程無(wú)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(duì)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?lè)较蛴^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(duì)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(duì)應(yīng)于（a）中灰度為i的像素與灰度為j的像素相鄰的個(gè)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(duì)相鄰像素為1和2，對(duì)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(guò)計(jì)算圖（b）中的像素可以寫為圖（c）所示，對(duì)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(duì)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(guò)邊緣方向的分布描述樣本外形輪廓。算法通過(guò)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(gè)區(qū)塊中構(gòu)建一個(gè)直方圖，根據(jù)區(qū)塊中每個(gè)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(guò)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(gè)直方圖就得到了局部紋理特征。

?

?