新手必看｜Python实现颜色聚合向量（CCV），附完整代码+逐行精讲

大家好～ 今天分享一个图像处理中常用的特征提取方法——颜色聚合向量（Color Coherence Vector, CCV），它比普通颜色直方图更实用（兼顾颜色分布和空间位置），新手也能轻松上手！

全程用Python实现，附完整可运行代码、逐行解析和结果解读，看完直接复制就能用，收藏起来慢慢练～

unsetunset一、先搞懂：什么是颜色聚合向量（CCV）？unsetunset

我们做图像处理时，经常需要提取图像的“颜色特征”（比如图像检索、分类），普通颜色直方图只统计颜色出现次数，却忽略了「颜色的空间位置」——比如同样是红色，大面积连续的红色和零散的红色小点，直方图完全一样，但实际意义天差地别。

而颜色聚合向量（CCV），就解决了这个问题：

核心逻辑：先将图像颜色量化（减少颜色种类），再识别“连在一起的同色块”（连通区域），按区域大小分为「聚合像素」（大面积连续）和「非聚合像素」（小面积分散），最终统计每种颜色的两类像素数，形成特征向量。

简单说：CCV不仅知道“有什么颜色”，还知道“颜色是不是聚在一起”，实用性更强！

unsetunset二、环境准备（新手必看）unsetunset

需要用到4个Python库，直接复制命令安装（终端/命令行运行）：

pip install numpy scikit-image pandas

说明：

• numpy：处理图像矩阵（核心依赖）

• scikit-image（简称skimage）：实现连通区域标记（核心功能）

• pandas：格式化输出结果，更直观

unsetunset三、完整可运行代码（直接复制）unsetunset

我们用一个6×6的测试图像演示（新手无需修改，先跑通再调整）：

# 颜色聚合向量（CCV）完整实现import numpy as npfrom skimage import measure  # 连通区域标记from collections import Counter  # 统计像素数量import pandas as pd  # 格式化输出结果# 1. 定义6×6测试灰度图像（像素值范围10~38）img = np.asarray([[22, 10, 21, 22, 15, 16],                  [24, 21, 13, 20, 14, 17],                  [23, 17, 38, 23, 17, 16],                  [25, 25, 22, 14, 15, 21],                  [27, 22, 12, 11, 21, 20],                  [24, 21, 10, 12, 22, 23]])# 2. 颜色量化（核心预处理：减少颜色种类）lianghua = img / 10# 量化规则：10~19→1，20~29→2，30~39→3lianghua = lianghua.astype(np.uint8)  # 取整，转为无符号整数# 3. 初始化结果表格（3种量化颜色 × 2类像素）arr = np.zeros((3, 2))n_data = pd.DataFrame(arr, columns=['聚合', '非聚合'])# 4. 连通区域标记：识别连在一起的同色块label_image = measure.label(lianghua)# 5. 统计每个连通区域的像素数量label_image_ = label_image.reshape(36, )  # 图像展平为一维数组（6×6=36像素）list_jh = Counter(label_image_)  # 键：区域标签，值：区域像素数# 6. 构建映射：连通区域 → 对应量化颜色（区域内颜色一致）quyu_bin = {}for i in range(len(list_jh)):    a = np.argwhere(label_image == i + 1)[0]  # 取区域第一个像素坐标    jianming = lianghua[a[0], a[1]]  # 获取该区域的量化颜色    quyu_bin[i + 1] = jianming# 7. 区分聚合/非聚合区域（阈值tao=4：像素数>4为聚合）juhe = []  # 聚合区域标签feijuhe = []  # 非聚合区域标签tao = 4for i in list_jh.keys():if list_jh[i] > tao:        juhe.append(i)else:        feijuhe.append(i)# 8. 统计最终结果：累加每种颜色的聚合/非聚合像素数for i in juhe:    n_data.loc[quyu_bin[i] - 1, ['聚合']] += list_jh[i]for i in feijuhe:    n_data.loc[quyu_bin[i] - 1, ['非聚合']] += list_jh[i]# 输出颜色聚合向量print("颜色聚合向量（CCV）结果：")print(n_data)

unsetunset四、逐行精讲（新手能懂，老手速查）unsetunset

不用害怕代码长，每一步都有明确目的，拆解后超简单！

Step 1：定义测试图像

我们手动定义一个6×6的灰度图像矩阵（像素值10~38），相当于“迷你版图像”，方便新手观察结果，实际使用时替换成自己的图像即可（后续会说）。

Step 2：颜色量化（最关键的预处理）

代码：lianghua = img / 10 + lianghua.astype(np.uint8)

目的：将原本10~38的连续像素值，压缩为3种离散颜色，避免颜色过多导致计算复杂：

• 10~19 → 1（除以10取整后为1）

• 20~29 → 2（除以10取整后为2）

• 30~39 → 3（除以10取整后为3）

Step 3：初始化结果表格

用pandas创建一个3行2列的表格，3行对应3种量化颜色，2列分别记录“聚合像素数”和“非聚合像素数”，初始值都是0，后续逐步累加。

Step 4：连通区域标记（核心功能）

代码：label_image = measure.label(lianghua)

这是整个代码的“核心”，依赖skimage的measure模块：

作用：自动识别图像中「相邻且颜色相同」的像素块（按8邻域判断：上下左右+四个对角都算相邻），给每个独立的块分配一个唯一标签（比如1、2、3...）。

举个例子：图像中连在一起的2个“颜色1”像素，会被标记为标签1；另一个单独的“颜色1”像素，会被标记为标签2。

Step 5：统计区域像素数

先将标记后的图像展平为一维数组（6×6=36个像素），再用Counter统计每个标签（连通区域）的像素数量，得到类似 {1:15, 2:3, 3:12, 4:1, 5:5} 的结果（键是区域标签，值是该区域的像素数）。

Step 6：区域→颜色映射

每个连通区域的颜色都是一致的（因为标记时只标记同色相邻像素），所以我们取每个区域的第一个像素，就能得到该区域对应的量化颜色，构建映射表（比如 {1:2, 2:1, 3:1, 4:3, 5:2}）。

Step 7：区分聚合/非聚合区域

设定阈值tao=4（可根据需求调整）：

• 聚合区域：区域像素数  4 → 大面积连续的颜色（比如背景）

• 非聚合区域：区域像素数 ≤ 4 → 小面积分散的颜色（比如噪点、细节）

Step 8：统计最终结果

根据映射表，将每个区域的像素数，累加到对应颜色的“聚合”或“非聚合”列中，最终得到颜色聚合向量。

unsetunset五、运行结果解读（一看就懂）unsetunset

运行代码后，输出如下结果：

颜色聚合向量（CCV）结果：    聚合  非聚合00.010.0120.06.020.00.0

逐行解读（对应3种量化颜色）：

unsetunset六、新手拓展：如何用在自己的图像上？unsetunset

把测试图像替换成自己的图片即可，只需添加1行代码读取图像：

# 读取本地图像（替换测试图像img）from skimage import ioimg = io.imread("你的图片路径.jpg", as_gray=True)  # as_gray=True转为灰度图img = img.astype(np.uint8)  # 转为整数像素值

注意：如果是彩色图像，需要先转为灰度图（上述代码已包含），或者对每个通道分别计算CCV。

unsetunset七、常见问题 注意事项unsetunset

• 报错“no module named skimage”：未安装scikit-image，运行 pip install scikit-image 即可。

• 阈值tao的选择：默认4，可根据图像大小调整（图像越大，阈值可适当增大）。

• 颜色量化：本文量化为3种颜色，可根据需求调整（比如除以5，量化为更多颜色）。

  

unsetunset八、总结unsetunset

颜色聚合向量（CCV）的核心的是「兼顾颜色分布和空间位置」，比普通颜色直方图更适合图像特征提取，整个实现流程分为8步，新手只需掌握：

颜色量化 → 连通区域标记 → 区域统计 → 聚合/非聚合区分 → 结果统计

代码可直接复制运行，替换成自己的图像就能快速得到CCV特征，赶紧动手试试吧！