색상 히스토그램

화상처리 및 사진촬영에서 색 히스토그램은 화상 내 색분포를 나타내는 것이다.디지털 이미지의 경우 색상 히스토그램은 이미지의 색상 공간(가능한 모든 색상 집합)에 걸쳐 있는 각 고정 색상 범위 목록에 색상이 있는 픽셀 수를 나타냅니다.

색상 히스토그램은 RGB나 HSV와 같은 3차원 공간에 더 자주 사용되지만 모든 종류의 색 공간에 대해 구축할 수 있습니다.단색 영상의 경우 용어 강도 히스토그램을 대신 사용할 수 있습니다.각 픽셀이 임의의 수의 측정값(예를 들어 RGB의 세 가지 측정값 이상)으로 표시되는 멀티 스펙트럼 영상의 경우 색상 히스토그램은 N차원이며 N은 측정값의 수입니다.각 측정에는 광스펙트럼의 파장 범위가 있으며, 그 중 일부는 가시 스펙트럼 밖에 있을 수 있습니다.

가능한 색상 값 집합이 충분히 작을 경우 각 색상을 범위 내에 배치할 수 있습니다. 그러면 히스토그램은 각 색상이 가능한 픽셀의 개수일 뿐입니다.대부분의 경우 공간은 적절한 수의 범위로 분할되며, 보통 그리드로 배열되며, 각 범위에는 많은 유사한 색상 값이 포함됩니다.색상 히스토그램은 픽셀 카운트에 근사한 색상 공간에 대해 정의된 부드러운 함수로 표시 및 표시될 수도 있습니다.

다른 종류의 히스토그램과 마찬가지로 색상 히스토그램은 색상 값의 기본 연속 분포의 근사치로 볼 수 있는 통계량입니다.

개요

컬러 히스토그램은 RGB, rg 색도 또는 다른 차원의 색 공간 등 다양한 색 공간의 이미지에서 구축할 수 있는 유연한 구조입니다.우선, 화상중의 색을 복수의 빈으로 이산해, 각 빈내의 화상 화소수를 카운트 하는 것으로, 화상의 히스토그램을 생성한다.예를 들어 RGB 값을 R+G+B로 나눈 후 정규화된 R 및 B 좌표를 각각 N개의 빈으로 양자화함으로써 Red-Blue 색도 히스토그램을 형성할 수 있습니다.4개의 빈(N=4)으로 나누어진 적청색 색도의 2차원 히스토그램은 다음과 같은 히스토그램을 생성할 수 있습니다.

		빨간.
		0-63	64-127	128-191	192-255
파랑색	0-63	43	78	18	0
	64-127	45	67	33	2
	128-191	127	58	25	8
	192-255	140	47	47	13

히스토그램은 N차원일 수 있습니다.위 예의 3차원 컬러 히스토그램은 표시하기 어렵지만 4개의 개별 적청 히스토그램으로 생각할 수 있습니다.여기서 4개의 히스토그램에는 각각 녹색 빈(0-63, 64-127, 128-191 및 192-255)의 적청 값이 포함됩니다.

히스토그램은 영상의 데이터 분포를 간략하게 요약합니다.이미지의 색상 히스토그램은 보기 축에 대한 변환 및 회전에 따라 상대적으로 변하지 않으며,^[1] 시야각에 따라 천천히 변화합니다.두 화상의 히스토그램 서명을 비교하고, 한 화상의 색 성분을 다른 화상과 일치시킴으로써, 특히 씬내의 위치나 회전을 알 수 없는 물체를 인식하는 문제에 있어서 색 히스토그램이 적합하다.중요한 것은, RGB 화상을 조명 불변 rg-색도 공간으로 변환하는 것으로, 히스토그램을 다양한 광레벨로 적절히 동작시킬 수 있다.

1. 히스토그램이란 무엇입니까?

히스토그램은 이미지의 픽셀 수를 그래픽으로 표현한 것입니다.좀 더 쉽게 설명하면 히스토그램은 막대그래프이며, X축은 톤스케일(왼쪽은 검은색, 오른쪽은 흰색)을 나타내고 Y축은 톤스케일의 특정 영역에 있는 이미지 내의 픽셀 수를 나타냅니다.예를 들어 휘도 히스토그램의 그래프는 휘도 레벨(흑백)별 화소수를 나타내며, 화소가 많을수록 특정 휘도 레벨에서의 피크가 높아진다.

2. 색상 히스토그램이란 무엇입니까?

화상의 색 히스토그램은 화상의 색조성 분포를 나타낸다.다른 종류의 색상이 나타나고 각 유형의 색상의 픽셀 수가 표시됩니다.색상 히스토그램과 휘도 히스토그램의 관계는 색상 히스토그램이 "세 가지 휘도 히스토그램"으로도 표현될 수 있다는 것입니다. 이 히스토그램은 각각 개별 적색/녹색/청색 채널의 밝기 분포를 나타냅니다.

색상 히스토그램의 특성

색상 히스토그램은 색상의 공간적 위치에 관계없이 서로 다른 색상 유형의 비율에만 초점을 맞춥니다.색상 히스토그램의 값은 통계량에서 얻은 값입니다.색상의 통계적 분포와 이미지의 본질적인 톤을 보여줍니다.

일반적으로 이미지에서 전경과 배경의 색 분포가 다르므로 히스토그램에 쌍모달 분포가 있을 수 있습니다.

휘도 히스토그램의 경우 완벽한 히스토그램은 없으며 일반적으로 히스토그램을 통해 노출 초과 여부를 알 수 있지만 히스토그램을 보고 이미지가 노출 초과되었다고 생각할 수 있지만 실제로는 그렇지 않습니다.

색상 히스토그램의 구성 원리

색상 히스토그램의 형성은 비교적 간단합니다.위의 정의에서 3개의 RGB 채널 각각에서 256개의 스케일마다 픽셀 수를 세어 3개의 개별 막대 그래프에 플롯할 수 있습니다.

일반적으로 색상 히스토그램은 RGB나 HSV와 같은 특정 색 공간에 기반합니다.이미지에서 다른 색상의 픽셀을 계산할 때 색 공간이 크면 먼저 색 공간을 작은 간격의 특정 수로 나눌 수 있습니다.각 구간을 빈이라고 합니다.이 과정을 색 양자화라고 합니다.그리고 각 빈의 픽셀 수를 세면 이미지의 컬러 히스토그램을 얻을 수 있습니다.

원칙의 구체적인 단계는 사례 1에서 볼 수 있다.

예

예 1

다음의 고양이 이미지(원본과 쉬운 히스토그램 목적을 위해 256 색상으로 축소된 버전)가 주어졌을 때, 다음의 데이터는 4개의 빈을 사용하여 RGB 색 공간의 색상 히스토그램을 나타냅니다.

빈 0은 명암 0-63에 해당합니다.

Bin 1은 64~127

Bin 2는 128~191이고 Bin 3은 192~255입니다.

고양이 사진

x축이 RGB, y축이 주파수인 위의 고양이 사진의 컬러 히스토그램.

RGB 색공간에서 256색으로 줄어든 고양이 사진

빨간.	초록의	파랑색	픽셀 수
Bin 0(Bin 0)	Bin 0(Bin 0)	Bin 0(Bin 0)	7414
Bin 0(Bin 0)	Bin 0(Bin 0)	휴지통 1	230
Bin 0(Bin 0)	Bin 0(Bin 0)	휴지통 2	0
Bin 0(Bin 0)	Bin 0(Bin 0)	휴지통 3	0
Bin 0(Bin 0)	휴지통 1	Bin 0(Bin 0)	8
Bin 0(Bin 0)	휴지통 1	휴지통 1	372
Bin 0(Bin 0)	휴지통 1	휴지통 2	88
Bin 0(Bin 0)	휴지통 1	휴지통 3	0
Bin 0(Bin 0)	휴지통 2	Bin 0(Bin 0)	0
Bin 0(Bin 0)	휴지통 2	휴지통 1	0
Bin 0(Bin 0)	휴지통 2	휴지통 2	10
Bin 0(Bin 0)	휴지통 2	휴지통 3	1
Bin 0(Bin 0)	휴지통 3	Bin 0(Bin 0)	0
Bin 0(Bin 0)	휴지통 3	휴지통 1	0
Bin 0(Bin 0)	휴지통 3	휴지통 2	0
Bin 0(Bin 0)	휴지통 3	휴지통 3	0
휴지통 1	Bin 0(Bin 0)	Bin 0(Bin 0)	891
휴지통 1	Bin 0(Bin 0)	휴지통 1	13
휴지통 1	Bin 0(Bin 0)	휴지통 2	0
휴지통 1	Bin 0(Bin 0)	휴지통 3	0
휴지통 1	휴지통 1	Bin 0(Bin 0)	592
휴지통 1	휴지통 1	휴지통 1	3462
휴지통 1	휴지통 1	휴지통 2	355
휴지통 1	휴지통 1	휴지통 3	0
휴지통 1	휴지통 2	Bin 0(Bin 0)	0
휴지통 1	휴지통 2	휴지통 1	101
휴지통 1	휴지통 2	휴지통 2	882
휴지통 1	휴지통 2	휴지통 3	16
휴지통 1	휴지통 3	Bin 0(Bin 0)	0
휴지통 1	휴지통 3	휴지통 1	0
휴지통 1	휴지통 3	휴지통 2	0
휴지통 1	휴지통 3	휴지통 3	0
휴지통 2	Bin 0(Bin 0)	Bin 0(Bin 0)	1146
휴지통 2	Bin 0(Bin 0)	휴지통 1	0
휴지통 2	Bin 0(Bin 0)	휴지통 2	0
휴지통 2	Bin 0(Bin 0)	휴지통 3	0
휴지통 2	휴지통 1	Bin 0(Bin 0)	2552
휴지통 2	휴지통 1	휴지통 1	9040
휴지통 2	휴지통 1	휴지통 2	47
휴지통 2	휴지통 1	휴지통 3	0
휴지통 2	휴지통 2	Bin 0(Bin 0)	0
휴지통 2	휴지통 2	휴지통 1	8808
휴지통 2	휴지통 2	휴지통 2	53110
휴지통 2	휴지통 2	휴지통 3	11053
휴지통 2	휴지통 3	Bin 0(Bin 0)	0
휴지통 2	휴지통 3	휴지통 1	0
휴지통 2	휴지통 3	휴지통 2	170
휴지통 2	휴지통 3	휴지통 3	17533
휴지통 3	Bin 0(Bin 0)	Bin 0(Bin 0)	11
휴지통 3	Bin 0(Bin 0)	휴지통 1	0
휴지통 3	Bin 0(Bin 0)	휴지통 2	0
휴지통 3	Bin 0(Bin 0)	휴지통 3	0
휴지통 3	휴지통 1	Bin 0(Bin 0)	856
휴지통 3	휴지통 1	휴지통 1	1376
휴지통 3	휴지통 1	휴지통 2	0
휴지통 3	휴지통 1	휴지통 3	0
휴지통 3	휴지통 2	Bin 0(Bin 0)	0
휴지통 3	휴지통 2	휴지통 1	3650
휴지통 3	휴지통 2	휴지통 2	6260
휴지통 3	휴지통 2	휴지통 3	109
휴지통 3	휴지통 3	Bin 0(Bin 0)	0
휴지통 3	휴지통 3	휴지통 1	0
휴지통 3	휴지통 3	휴지통 2	3415
휴지통 3	휴지통 3	휴지통 3	53929

예 2

카메라 응용 프로그램:

최근에는 사진을 찍을 때 3색 히스토그램이 표시되는 카메라도 있습니다.

3개의 RGB 컬러 히스토그램 각각에 있는 클립(스케일 흑백의 스파이크)을 조사할 수 있습니다.3개의 RGB 채널의 채널에서 1개 이상의 클리핑이 발견되면 해당 색상의 상세 내용이 손실됩니다.

이것을 설명하기 위해서, 다음의 예를 검토해 주세요.

1. 3개의 R, G, B 채널 각각에 0 ~255(8비트) 범위의 값이 있음을 알고 있습니다.따라서 휘도 범위가 0~255인 사진을 생각해 보십시오.

2. 촬영하는 사진은 서로 인접한 4개의 블록으로 구성되어 있으며 원본 사진의 4개 블록 각각에 대한 휘도 척도를 10, 100, 205, 245로 설정했다고 가정합니다.따라서 이미지는 오른쪽 맨 위에 있는 그림처럼 보입니다.

3. 그 후, 예를 들면, 각 블록의 휘도 스케일이 10씩 증가한다고 하는 식으로, 사진을 약간 오버노광합니다.따라서, 새로운 사진의 4 블록 마다의 휘도 스케일은 20, 110, 215, 255가 된다.그러면 오른쪽의 두 번째 그림처럼 보입니다.

그림 8과 그림 9는 큰 차이가 없습니다.이미지 전체가 밝아지는 것 뿐입니다(각 블록의 대비는 동일합니다).

4. 이번에는 다시 원본 사진을 오버노출하고, 이번에는 각 블록의 휘도 스케일을 50씩 올립니다.따라서, 새로운 사진의 4 블록 마다의 휘도 스케일은 60, 150, 255, 255가 된다.새로운 이미지는 오른쪽의 세 번째 그림처럼 보입니다.

마지막 블록의 스케일은 295가 아니라 255이며, 255의 경우 가장 높은 스케일이므로 마지막 블록이 잘립니다!이 경우, 마지막 2 블록의 콘트라스트가 없어지기 때문에, 어떻게 조정해도 이미지를 회복할 수 없습니다.

결론적으로 히스토그램을 표시하는 카메라로 사진을 찍을 때는 이미지에서 가장 밝은 톤을 항상 히스토그램에서 가장 큰 스케일 255 이하로 유지하여 세부 정보가 손실되지 않도록 하십시오.

결점 및 기타 접근법

분류를 위한 히스토그램의 주요 단점은 그 표현이 연구 대상 물체의 색상에 의존하며 모양과 질감을 무시한다는 것이다.색상 히스토그램은 색상 정보를 공유하는 다른 객체 내용을 가진 두 개의 이미지에 대해 동일할 수 있습니다.반대로 공간정보나 형상정보가 없으면 색상 히스토그램 비교만으로 다른 색상의 유사 객체를 구분할 수 없을 수 있다.빨간색과 흰색 컵과 빨간색과 흰색 접시를 구분할 방법이 없다.바꿔 말하면 히스토그램 기반 알고리즘에는 일반적인 '컵'이라는 개념이 없으며, 빨간색과 흰색의 컵 모델은 동일한 파란색과 흰색 컵을 지정해도 소용이 없습니다.또 다른 문제는 컬러 히스토그램이 조명 강도 변화나 양자화 오류와 같은 노이즈 간섭에 대한 감도가 높다는 것입니다.고차원(빈) 컬러 히스토그램도 문제입니다.일부 색상 히스토그램 피쳐 공간은 종종 100개 이상의 ^[2]차원을 차지합니다.

제안된 솔루션으로는 색상 히스토그램 교차로, 색상 상수 인덱싱, 누적 색상 히스토그램, 2차 거리 및 색상 상관도가 있습니다.인덱싱 및 분류에 히스토그램을 사용하는 단점도 있지만 실시간 시스템에서 색상을 사용하는 데는 몇 가지 장점이 있습니다.하나는 색상 정보가 다른 불변수에 비해 계산 속도가 빠르다는 것입니다.경우에 따라서는 색상이 이미 알려진 위치와 외관을 가진 물체를 식별하는 데 효과적인 방법이 될 수 있는 것으로 나타났습니다.

색상 히스토그램 데이터와 이미지 내 물체의 물리적 특성 간의 관계에 대한 추가 연구는 그것들이 물체의 색과 조도를 나타낼 수 있을 뿐만 아니라 표면 거칠기와 이미지 형상에 관련될 수 있으며 조명과 물체 ^[3]색상의 개선된 추정치를 제공할 수 있다는 것을 보여주었다.

일반적으로 영상 유사도 등급 계산에 유클리드 거리, 히스토그램 교차로 또는 코사인 ^[4]또는 2차 거리가 사용됩니다.이러한 값 중 어느 것도 그 자체로 두 이미지의 유사성을 반영하지는 않습니다. 다른 유사한 값과 비교할 때에만 유용합니다.이것이 콘텐츠 기반 이미지 검색의 모든 실제 구현이 데이터베이스에서 모든 이미지의 계산을 완료해야 하는 이유이며, 이러한 구현의 주요 단점이다.

대표적인 컬러 이미지 콘텐츠에 대한 또 다른 접근법은 2차원 컬러 히스토그램이다.2차원 색 히스토그램은 (조명 ^[5]성분뿐만 아니라) 화소 쌍의 색상의 관계를 고려한다.2차원 컬러 히스토그램은 2차원 배열이다.각 치수의 크기는 색 양자화 단계에서 사용된 색상의 수입니다.이러한 배열은 각 요소가 정규화된 픽셀 쌍의 카운트를 저장하는 매트릭스로 취급되며, 각 색상은 각 픽셀 근방의 요소 인덱스에 대응합니다.2차원 컬러 히스토그램의 비교에서는 위에서 설명한 대로 구성된 것이 랜덤 벡터(즉, 다차원 랜덤 값)이기 때문에 이들의 상관관계를 계산할 것을 권장합니다.최종 영상 세트를 만드는 동안 영상을 상관 계수의 내림차순으로 배열해야 합니다.

상관 계수는 색상 히스토그램 비교에도 사용할 수 있습니다.상관 계수를 사용한 검색 결과는 다른 ^[6]메트릭보다 우수합니다.

연속 데이터의 강도 히스토그램

명암 히스토그램의 개념은 실제 함수로 표현되는 오디오 신호나 2차원 영역을 가진 함수로 표현되는 이미지 등 연속 데이터로 일반화할 수 있다.

f $f\in L^{1}(\mathbb {R} ^{n})$ L $f\in L^{1}(\mathbb {R} ^{n})$ ( $f\in L^{1}(\mathbb {R} ^{n})$ ) \ $displaystyle$ f $\in$ L $^{1}$ (\ $mathbb {R}$ ^{ $n})$ $f\in L^{1}(\mathbb {R} ^{n})$ } (르베게 공간 참조)로 $f\in L^{1}(\mathbb {R} ^{n})$ 누적 히스토그램 $연산자$ H(\ $displaystyle$ H $)$ 를 $H$ 다음과 같이 정의할 수 있습니다.

H(f)(y)=\mu \{x:f(x)\leq y\}

(

H(f)(y)=\mu \{x:f(x)\leq y\}

) (

H(f)(y)=\mu \{x:f(x)\leq y\}

)

H(f)(y)=\mu \{x:f(x)\leq y\}

{

H(f)(y)=\mu \{x:f(x)\leq y\}

:

H(f)(y)=\mu \{x:f(x)\leq y\}

(

H(f)(y)=\mu \{x:f(x)\leq y\}

)

H(f)(y)=\mu \{x:f(x)\leq y\}

≤ y

}

{

displaystyle H

( f ) ( y ) = \

mu

\ {

x

:

f

(

x

) \

leq

y

H(f)(y)=\mu \{x:f(x)\leq y\}

\}

H(f)(y)=\mu \{x:f(x)\leq y\}

。

$\mu$ μ $(\displaystyle \mu$ })는 $\mu$ 세트의 단위입니다. $)$ { $displaystyle$ H $(f)}$ 는 $H(f)$ 실제 기능입니다.(비누적) 히스토그램은 해당 도함수로 정의됩니다.

h(f)=H(f)'

(

h(f)=H(f)'

)

=

(

h(f)=H(f)'

)

′

、 {

displaystyle

h ( f )=

H

( f )

h(f)=H(f)'

}

h(f)=H(f)'

。

레퍼런스

^ Shapiro, Linda G.와 Stockman, George C. "컴퓨터 비전" 프렌티스 홀, 2003 ISBN 0-13-030796-3
^ Xiang-Yang Wang, Jun-Feng Wu 및 Hong-Ying Yang "로컬 특징 지역 색상 히스토그램에 기반한 강력한 이미지 검색" Springer Nutherdeal, 2009년 ISSN 1573-7721
^ 색상 히스토그램 해부학; C.L., Novak; Shafer, S.A.; Computer Vision and Pattern Recognition, 1992.프로시저 CVPR '92., 1992년 6월 15-18일 IEEE 컴퓨터 학회 회의 페이지:599 - 605 doi : 10.1109 / CVPR . 1992 . 223129
^ 공간 및 기능 이미지 시스템 통합: 검색, 분석 및 압축; Smith, J.R.; 컬럼비아 대학교 예술 및 과학 대학원, 1997
^ 2D 컬러 히스토그램에 의한 이미지 검색 효과 평가; E.A., Bashkov, N.S. Kostyukova, Journal of Automation and Information Sciences, 2006(6) 페이지: 84-89
^ 색상 히스토그램 상관관계를 사용한 콘텐츠 기반 이미지 검색; Bashkov, E.A.;미국, Shozda; Graphicon Procedures, 2002 페이지: [1 ] Wayback Machine에서 2012-07-07 아카이브 완료

외부 링크

Kai Uwe Barthel의 3D Color Inspector/Color Histogram. (자바 애플릿 무료)
Stanford Student Project on Image Based Retrieval - 방정식/어플리케이션 상세보기
컬러 히스토그램과 컬러 클라우드를 그리기 위한 MATLAB/Octave 코드 - 소스 코드를 다른 언어로 이식할 수 있습니다.

[1] Shapiro, Linda G.와 Stockman, George C. "컴퓨터 비전" 프렌티스 홀, 2003 ISBN 0-13-030796-3

[2] Xiang-Yang Wang, Jun-Feng Wu 및 Hong-Ying Yang "로컬 특징 지역 색상 히스토그램에 기반한 강력한 이미지 검색" Springer Nutherdeal, 2009년 ISSN 1573-7721

[3] 색상 히스토그램 해부학; C.L., Novak; Shafer, S.A.; Computer Vision and Pattern Recognition, 1992.프로시저 CVPR '92., 1992년 6월 15-18일 IEEE 컴퓨터 학회 회의 페이지:599 - 605 doi : 10.1109 / CVPR . 1992 . 223129

[4] 공간 및 기능 이미지 시스템 통합: 검색, 분석 및 압축; Smith, J.R.; 컬럼비아 대학교 예술 및 과학 대학원, 1997

[5] 2D 컬러 히스토그램에 의한 이미지 검색 효과 평가; E.A., Bashkov, N.S. Kostyukova, Journal of Automation and Information Sciences, 2006(6) 페이지: 84-89

[6] 색상 히스토그램 상관관계를 사용한 콘텐츠 기반 이미지 검색; Bashkov, E.A.;미국, Shozda; Graphicon Procedures, 2002 페이지: [1 ] Wayback Machine에서 2012-07-07 아카이브 완료

[1]

[2]

[3]

[4]

[5]

[6]

Search