Python 图像实战：三阶颜色矩特征提取与直方图可视化对比

Python 图像实战｜三阶颜色矩特征提取 + 直方图可视化对比

unsetunset 前言unsetunset

在图像识别、图像检索、植物分类、目标检测任务中，颜色特征是最基础、最常用的底层特征。 而颜色矩凭借计算简单、无需复杂预处理的优势，成为颜色特征提取的经典算法。

今天带大家用 Python + OpenCV 实现： 

✅ 三通道（BGR）三阶颜色矩计算

 ✅ 局部图像裁剪，去除背景干扰 

✅ 两张图像颜色特征直方图对比 

✅ 硬核代码通俗化拆解，告别看不懂的推导式

unsetunset📌 一、什么是三阶颜色矩？unsetunset

颜色矩通过统计像素颜色分布规律，描述图像色彩信息，分为 3 个维度：

1. 一阶矩（均值）描述图像整体平均色彩、明暗程度

2. 二阶矩（标准差）描述颜色分布的离散、波动程度

3. 三阶矩（偏度）描述颜色分布的对称程度

我们对 B、G、R 三个通道 分别计算 3 阶矩，最终得到 9 维颜色特征向量。

unsetunset🛠 二、环境依赖unsetunset

本次实验需要 3 个核心库，提前安装：

pip install opencv-python numpy matplotlib

导入依赖：

import cv2import numpy as npimport matplotlib.pyplot as plt

unsetunset 三、核心代码分步讲解unsetunset

1. 自定义颜色矩提取函数

defcolor_moments(img, trans_hsv=False):# 可选：切换为HSV颜色空间if trans_hsv == True:        img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)# 分离图像三个通道    f, s, t = cv2.split(img)    color_feature = []# ========== 一阶矩：均值 ==========    f_mean = np.mean(f)    s_mean = np.mean(s)    t_mean = np.mean(t)    color_feature.extend([f_mean, s_mean, t_mean])# ========== 二阶矩：标准差 ==========    f_std = np.std(f)    s_std = np.std(s)    t_std = np.std(t)    color_feature.extend([f_std, s_std, t_std])# ========== 三阶矩：偏度 ==========    f_skewness = np.mean(abs(f - f.mean()) ** 3)    s_skewness = np.mean(abs(s - s.mean()) ** 3)    t_skewness = np.mean(abs(t - t.mean()) ** 3)    f_thirdMoment = f_skewness ** (1. / 3)    s_thirdMoment = s_skewness ** (1. / 3)    t_thirdMoment = t_skewness ** (1. / 3)    color_feature.extend([f_thirdMoment, s_thirdMoment, t_thirdMoment])return color_feature

2. 读取图像 + 局部裁剪

直接整张图片计算会受背景影响，裁剪目标区域提升特征准确度：

# 读取图像（OpenCV 默认 BGR 格式）img1 = cv2.imread('../data/leaf1.jpg')img2 = cv2.imread('../data/leaf2.jpg')# 裁剪固定区域：[行起始:行结束, 列起始:列结束]img1 = img1[188: 238, 275: 325, :]img2 = img2[69: 119, 108: 158, :]

3. 提取两张图像的颜色特征

img1_feature = color_moments(img1)img2_feature = color_moments(img2)

unsetunset 四、重点难点：标签生成代码通俗改造unsetunset

原代码精简写法（双层列表推导式），新手很难理解：

# 精简写法，看不懂版本labels = [i + j for i in ['一阶', '二阶', '三阶'] for j in ['B', 'G', 'R']]

✅ 改造后：基础 for 循环，直白易懂逻辑完全一致，适合初学者理解双层循环逻辑：

# 定义阶数、通道order_list = ['一阶', '二阶', '三阶']channel_list = ['B', 'G', 'R']# 新建空列表存放标签labels = []# 外层循环：遍历一二三阶for order in order_list:# 内层循环：遍历B/G/R通道for ch in channel_list:# 字符串拼接，加入标签列表        labels.append(order + ch)

最终自动生成 9 个一一对应的坐标轴标签：

unsetunset 五、绘制对比直方图unsetunset

双柱状图并列展示两张树叶图像的颜色矩差异：

x = np.arange(9)fs = 15# 字体大小plt.figure(figsize=(7, 4))# 左右偏移，防止柱子重叠plt.bar(x - 0.15, img1_feature, width=0.3, label='leaf1')plt.bar(x + 0.15, img2_feature, width=0.3, label='leaf2')plt.xticks(x, labels, fontsize=fs)plt.xlabel('各阶颜色矩', fontsize=fs)plt.legend()plt.tight_layout()plt.show()

unsetunset六、完整整合源码unsetunset

复制即可直接运行，修改图片路径就能替换自定义图片：

import cv2import numpy as npimport matplotlib.pyplot as pltdefcolor_moments(img, trans_hsv=False):if trans_hsv == True:        img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)    f, s, t = cv2.split(img)    color_feature = []# 一阶矩    f_mean = np.mean(f)    s_mean = np.mean(s)    t_mean = np.mean(t)    color_feature.extend([f_mean, s_mean, t_mean])# 二阶矩    f_std = np.std(f)    s_std = np.std(s)    t_std = np.std(t)    color_feature.extend([f_std, s_std, t_std])# 三阶矩    f_skewness = np.mean(abs(f - f.mean()) ** 3)    s_skewness = np.mean(abs(s - s.mean()) ** 3)    t_skewness = np.mean(abs(t - t.mean()) ** 3)    f_thirdMoment = f_skewness ** (1. / 3)    s_thirdMoment = s_skewness ** (1. / 3)    t_thirdMoment = t_skewness ** (1. / 3)    color_feature.extend([f_thirdMoment, s_thirdMoment, t_thirdMoment])return color_featureif __name__ == '__main__':# 读取并裁剪图像    img1 = cv2.imread('../data/leaf1.jpg')    img2 = cv2.imread('../data/leaf2.jpg')    img1 = img1[188: 238, 275: 325, :]    img2 = img2[69: 119, 108: 158, :]# 提取颜色矩特征    img1_feature = color_moments(img1)    img2_feature = color_moments(img2)# 通俗易懂方式生成坐标轴标签    order_list = ['一阶', '二阶', '三阶']    channel_list = ['B', 'G', 'R']    labels = []for order in order_list:for ch in channel_list:            labels.append(order + ch)# 绘图    x = np.arange(9)    fs = 15    plt.figure(figsize=(7, 4))    plt.bar(x - 0.15, img1_feature, width=0.3, label='leaf1')    plt.bar(x + 0.15, img2_feature, width=0.3, label='leaf2')    plt.xticks(x, labels, fontsize=fs)    plt.xlabel('各阶颜色矩', fontsize=fs)    plt.legend()    plt.tight_layout()    plt.show()

unsetunset 七、知识点总结unsetunset

1. 颜色矩是轻量化颜色特征，广泛用于课程设计、图像检索、分类作业；

2. 图像裁剪可屏蔽背景干扰，大幅提升特征有效性；

3. 复杂列表推导式，可拆解为双层 for 循环，降低学习门槛；

4. 双柱状图是多维特征对比最直观的可视化方案。

unsetunset🎯 适用场景unsetunset

• 数字图像处理课程实验

• 计算机视觉入门练习

• 植物识别、物品分类小项目

• 本科课程设计 / 结课作业