如何提取高光谱显微成像技术的图像数据特征？

2023-09-15

高光谱显微成像技术数据中除了光谱数据外还包括丰富的图像数据，图像数据可以方便观察样本的空间结构，同时也包含待测样本的特征，包括颜色特征和纹理特征等。那么，如何提取高光谱显微成像技术的图像数据特征呢？本文进行了简单总结。

颜色特征提取

颜色作为图像的主要特征，在图像处理和图像识别中应用广泛，且起到举足轻重的作用。颜色特征是利用数字化的方式将图像的颜色进行描述，提取过程无需大量计算，复杂度低。

1. 颜色矩

1995年Stricker等人首次提出了图像颜色距特征的概念。该特征以线性代数中“距”的概念描述颜色分布，其中一阶距、二阶矩和三阶矩分别表示颜色平均值，方差和偏斜度。

2. HSV颜色空间

1978年Smith等人首次提出图像的HSV颜色空间特征，该特征将RGB颜色空间对应于倒立圆锥体内，可以更加直观描述颜色。图为HSV颜色空间示意图，其中H表示色调，S表示饱和度，V表示亮度。H利用角度表征，取值范围0-360?，在图中以S坐标正方向沿逆时针方向观察，依次用0?表示红色，120?表示绿色，240?表示蓝色。S大小表征颜色纯度，取值范围为0-1，如图在H和V相同的情况下，S越接近于0，对应颜色越浅。V表征颜色明暗，取值范围为0-1，当V为0时表示黑色，V为1且S为0时表示白色。

纹理特征提取

1. 灰度共生矩阵

1973年Haralick等人提出用于描述图像纹理特征的灰度共生矩阵（GLCM）特征[53]。GLCM是根据像素点之间的分布关系反映图像纹理信息，图2.5展示GLCM特征的基本求解方法，首先假设图像灰度值范围为1-8，图2.5（a）表示原始图像，图2.5（b）表示GLCM特征，（b）中位置坐标为（i，j）的元素对应于（a）中灰度为i的像素与灰度为j的像素相邻的个数。例如，（b）中位置坐标为（1，2）的元素值为2，表示在（a）中有两对相邻像素为1和2，对应图中红色框框选部分。

2. 局部二值模式

1996年Ojala等人提出用于描述图像纹理特征的算子——局部二值模式（LBP）。其原理如图2.6所示，LBP算子的原始窗口大小为3?像素，位于该窗口的像素值如图（b）所示，若四周像素灰度值大于中央像素灰度值，则将该点记为1，若小于中央像素灰度值，则为0，通过计算图（b）中的像素可以写为图（c）所示，对图（c）按照顺时针记录，得到图（d）所示二进制数组，并对其进行十进制转化即可得到图（e）即LBP特征。

3. 方向梯度直方图

2005年Dalal等人首次定义用于表征描述图像的局部梯度方向和梯度强度分布方数据的算子方向梯度直方图（HOG）特征。该算法假定图像具体边缘位置未知，通过边缘方向的分布描述样本外形轮廓。算法通过使用水平方向的一维卷积核[-1，0，1]和竖直方向的一维卷积核计算区块中的梯度值[-1，0，1]，在获得区块中的梯度值后在每个区块中构建一个直方图，根据区块中每个像素的方向，在直方图中统计出不同方向的幅值。考虑到性能，还能进一步划分出大块部分并通过归一化操作处理其中的光照变化和梯度强度，接着结合每一个直方图就得到了局部纹理特征。