### 初级图像特征提取的颜色、纹理和形状分析 以下是基于Python和OpenCV实现初级图像特征提取的代码示例，涵盖了颜色直方图、局部二值模式（LBP）以及连通组件标记。 #### 颜色特征提取 通过计算RGB空间中的三维颜色直方图来表示图像的颜色分布[^3]： ```python import cv2 import numpy as np def extract_color_histogram(image, bins=(8, 8, 8)): hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV) hist = cv2.calcHist([hsv], [0, 1, 2], None, bins, [0, 180, 0, 256, 0, 256]) cv2.normalize(hist, hist) return hist.flatten() ``` 此函数将输入图像转换为HSV色彩空间并计算其直方图。最终返回的是归一化后的直方图向量。 --- #### 纹理特征提取 (Local Binary Patterns - LBP) 利用扩展版的圆形LBP算子提取图像的纹理信息[^2]: ```python import cv2 import skimage.feature as skif def extract_lbp_features(image, num_points=24, radius=3): gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) lbp = skif.local_binary_pattern(gray_image, num_points, radius, method="uniform") hist, _ = np.histogram(lbp.ravel(), bins=np.arange(0, num_points + 3), range=(0, num_points + 2)) hist = hist.astype("float") hist /= (hist.sum() + 1e-7) # 归一化处理 return hist ``` 上述代码实现了对灰度图像应用均匀LBP操作，并生成对应的直方图作为纹理描述符。 对于更高级别的可视化需求，可以调用MB-LBP方法获取输出结果[^4]。 --- #### 形状特征提取 (Connected Component Labelling) 通过对二值化的轮廓区域执行连通分量标注算法完成基本形态学特性捕捉[^5]: ```python import cv2 def extract_shape_features(image): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) _, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) connectivity = 8 output = cv2.connectedComponentsWithStats(thresh, connectivity, cv2.CV_32S) labels_count, labels, stats, centroids = output features = [] for i in range(1, labels_count): # 跳过背景标签 area = stats[i, cv2.CC_STAT_AREA] width = stats[i, cv2.CC_STAT_WIDTH] height = stats[i, cv2.CC_STAT_HEIGHT] aspect_ratio = float(width) / height if height != 0 else 0 extent = float(area) / (width * height) if width * height != 0 else 0 feature_vector = { 'area': area, 'aspect_ratio': aspect_ratio, 'extent': extent } features.append(feature_vector) return features ``` 该部分代码先将原始彩色图片转成单通道灰阶形式再做阈值分割得到前景目标；接着运用`connectedComponentsWithStats()`函数统计各独立对象的相关几何参数如面积大小比例等构成最后的结果集合。 --- ### 结合以上三种方式构建完整的图像检索引擎框架 如果希望进一步发展成为实际可用的第一代影像搜寻工具，则可参照文献资料介绍的方法论逐步搭建起整个体系结构。