在多媒體影像處理中，"顏色特征-顏色聚合向量" 是一種用於描述圖像中顏色分布和特征的方法。顏色聚合向量是一種統計特征，用於表示圖像中顏色的分布情況。它通常用於圖像檢索、分類和分割等任務，以便比較圖像之間的相似性或提取有關圖像的信息。

顏色聚合向量的計算方法通常如下：

1. 顏色量化 (Color Quantization)：首先，將圖像中的顏色進行量化，將連續的顏色空間劃分為有限數量的顏色簇（通常是一組顏色或顏色代碼）。

2. 計算每個顏色簇的頻率 (Color Cluster Frequency)：然後，計算每個顏色簇在圖像中出現的頻率或像素數量。

3. 構建顏色聚合向量 (Color Histogram)：將這些頻率或像素數量構建成一個向量，這個向量即為顏色聚合向量，每個元素對應一個顏色簇的頻率。

數學公式表示：

假設有N個顏色簇，顏色聚合向量可以表示為 C = [C1, C2, ..., CN]，其中Ci表示第i個顏色簇的頻率。通常，Ci可以表示為：

Ci = (Ni / TotalPixels)

其中，Ni表示第i個顏色簇中包含的像素數量，TotalPixels表示圖像的總像素數量。

以下是一個簡單的Python示例代碼，用於計算顏色聚合向量：

import cv2
import numpy as np

# 讀取圖像
image = cv2.imread('image.jpg')

# 將圖像從BGR顏色空間轉換為HSV顏色空間
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 使用K均值聚類進行顏色量化
k = 8  # 假設使用8個顏色簇
pixel_values = hsv_image.reshape((-1, 3))
kmeans = KMeans(n_clusters=k)
kmeans.fit(pixel_values)

# 獲取顏色聚合向量
color_histogram = np.bincount(kmeans.labels_, minlength=k) / len(kmeans.labels_)

print("Color Histogram (Color Aggregation Vector):", color_histogram)

上述示例代碼首先將圖像從BGR顏色空間轉換為HSV顏色空間，然後使用K均值聚類將圖像中的顏色量化為8個顏色簇。最後，計算顏色聚合向量，其中每個元素表示一個顏色簇的頻率。