基于Hu不变矩与颜色特征的图像检索系统实现

1. 项目概述：基于Hu不变矩的图像检索系统

在数字图像爆炸式增长的今天，如何从海量图像中快速找到相似内容成为一项关键技术需求。我最近完成了一个基于MATLAB的图像检索系统项目，核心是利用Hu不变矩结合颜色特征来实现旋转、缩放不变的相似图像检索。这个系统特别适合需要批量处理相似图片的场景，比如电商平台的商品图片去重、医学影像的相似病例检索等。

Hu不变矩（Hu Invariant Moments）是1962年由Ming-Kuei Hu提出的七种对平移、旋转和缩放保持不变性的图像特征。我在项目中发现，单纯使用Hu矩虽然对几何变换稳健，但对颜色变化敏感；而颜色直方图恰好能弥补这一缺陷。两者的加权组合在实际测试中达到了86%的检索准确率（在Corel-1k数据集上的测试结果）。

系统采用模块化设计，包含四个核心组件：图像预处理模块负责格式统一和尺寸归一化；特征提取模块并行计算Hu矩和HSV颜色直方图；相似度计算模块实现加权距离度量；GUI界面则提供直观的操作体验。整个项目代码约1200行，其中特征计算部分采用了MATLAB的矩阵运算优化，使单张图片的特征提取时间控制在0.3秒以内。

2. 核心算法原理与实现细节

2.1 Hu不变矩的数学本质

Hu不变矩源于图像的几何矩，其数学基础是中心矩的标准化组合。对于二维连续函数f(x,y)，(p+q)阶几何矩定义为：

code复制m_pq = ∫∫ x^p y^q f(x,y) dx dy

通过以下步骤转化为Hu不变矩：

1. 计算中心矩：μ_pq = ∫∫ (x-x̄)^p (y-ȳ)^q f(x,y) dx dy
2. 归一化中心矩：η_pq = μ_pq / μ_00^(1+(p+q)/2)
3. 组合出7个Hu不变矩（公式略）

在MATLAB中，这个过程被封装在moment函数里。但实际使用时我发现，直接调用moment函数有时会导致数值不稳定，特别是对低对比度图像。我的解决方案是添加一个自适应二值化预处理：

matlab复制gray_img = im2double(rgb2gray(img));
thresh = graythresh(gray_img)*0.9; % 调低阈值增强特征
bw_img = imbinarize(gray_img, thresh);