机器学习篇---颜色直方图
颜色，是我们认识世界最直观的视觉线索之一。在机器视觉里，要把“颜色”这种感官体验变成计算机能计算的数字特征，最经典的方法就是颜色直方图。
如果说像素展平是“逐个像素点名”，HOG是“素描轮廓”，那么颜色直方图就是“统计一张图的色调构成”。它完全不管颜色出现在哪里、形状如何，只关心每种颜色在画面里占多大比例。
一、核心思想：像调配颜料一样概括图像
想象你有一大把彩色玻璃珠，你想快速告诉别人这些珠子总体是什么色调。你不会一颗颗去描述，而是会说：“大概四成是蓝色系，三成是绿色系，两成是白色，还有一点点红色”。
颜色直方图干的正是这件事：
把整个颜色空间（比如RGB所有可能的颜色）划分成若干个“颜色桶”，称为bin。
扫描图片的每一个像素，判断它属于哪个桶，就往哪个桶里“投一票”。
最终，每个桶里票数的统计，就构成了这张图片的颜色直方图特征向量。
结果非常直观：用一组数字（比如64个或256个），就概括了一张图的色彩构成。这个特征向量，对于图像检索、场景分类、肤色检测这些对颜色敏感的任务，非常有效。
二、颜色空间的选择：决定“用哪种调色盘”
不同的颜色空间，就像不同的调色盘。同一种颜色在不同空间里坐标不同，切出来的桶也不同。
RGB空间：最朴素。直接用红、绿、蓝三原色的强度值来划分。
问题：人眼感觉到的颜色变化，在RGB空间里不是均匀的。比如两个绿色，人眼看几乎一样，但在RGB里坐标可能差很远。另外，光照一变（阴影、反光），三个通道值全变，直方图就不稳定了。
HSV/HSI空间：更贴近人的感知，将颜色分解为三个维度：
H（色调）：是什么颜色——红、绿、蓝还是黄。
S（饱和度）：颜色有多“纯”——鲜艳的还是灰扑扑的。
V（亮度/明度）：颜色有多亮——亮得发白还是暗得发黑。
优势：可以把色调和光照影响分离开。比如只统计H和S通道，忽略V通道，就能让特征对光照和阴影不那么敏感，这对户外场景的识别很有帮助。
Lab空间：设备无关的空间，将颜色和对立维度分开，理论上最符合人类视觉感知，某些精细对比场景下使用。
三、提取流程与维度设计
直方图的维度取决于你划分的“桶”有多细。以一个常见的例子来说明：
图像预处理：把图像从RGB转换到HSV空间。
设计分桶方案：
H通道不设得太细，分16个桶（0-360度的色调分成16份）。
S通道分4个桶。
V通道也分4个桶。
计算直方图：每个像素根据它的H、S、V坐标，投进对应的桶。总桶数 = 16 × 4 × 4 =256个。
归一化：把每个桶的票数除以总像素数，把绝对值变成比例。这样，不管原图多大，特征向量都在统一的尺度上可以相互比较。
最终特征：一个256维的向量，就可以作为这张图片的颜色指纹。
如何判断维度是否够用？
维度过低（如只用8个桶），不同颜色会被迫混在一起，区分能力差。
维度过高（如每个通道用256个桶），对颜色细微变化极敏感，而且数据极其稀疏、容易过拟合。
实践中，通常从64维到512维之间开始尝试。
四、突出的优点与致命的盲点
核心优势：
计算极快：几行代码遍历像素即可，非常适合实时系统。
天生的旋转与平移不变性：这它最亮的优点。一个红球，无论把它移到画面左上角还是右下角，红球占比不变，颜色直方图也几乎不变。
对尺度变化不敏感：归一化后，物体拉近拉远，颜色比例保持稳定。
直观可解释：直方图的形状可以直接帮助人理解图像色彩构成。
致命盲点：
完全丢失空间位置信息：这是它和HOG之间最本质的互补差异。
一张“蓝天在上，绿地在下的风景照”，和一张把蓝绿像素完全打乱随机排列的马赛克，颜色直方图可以一模一样，无法区分。
解决这个问题的常见办法是：把图像分块（比如左上、右上、左下、右下），对每个块分别提取颜色直方图，再拼接起来。这样就带回来一些粗略的空间信息。
对光照剧变仍然敏感：虽然HSV可以减轻影响，但同一物体在日光灯和夕阳下，色调通道还是会整体偏移。
维数可能依然很高：为了精细区分颜色，有时需要很高维度的直方图，增加了后续处理的复杂度。
同色异物干扰：红色的苹果和红色的消防车，在颜色直方图上无法区分。它只关心颜色，不关心内容。
五、与其他特征的“组合拳”
正因为有如此鲜明的优缺点，颜色直方图在实际项目中，几乎总是作为特征集合的一部分来使用，形成互补：
颜色直方图 + HOG= 颜色 + 形状轮廓
颜色直方图 + 四阶矩纹理= 颜色 + 纹理质感
分块颜色直方图= 颜色 + 粗略位置
在基于内容的图像检索（“找出和这张照片颜色风格相近的其他照片”）、皮肤检测、火焰检测等应用里，颜色直方图往往是第一个被考虑的基准特征。