如何在Python中应用HOG特征提取（详细实现） _Python如何实现HOG特征提取

Python实现HOG特征提取：了解如何使用 scikit-image 库从 Python 中的图像中提取定向梯度直方图 (HOG) 特征。
定向梯度直方图 (HOG)是计算机视觉和图像处理应用程序中用于目标检测的特征描述符。它是一种计算图像特定部分或感兴趣区域中梯度方向事件的技术。
2005 年，Dalal 和 Triggs 发表了一篇名为Histograms of Oriented Gradients for Human Detection的研究论文。这篇论文发表后，HOG被用在了很多物体检测的应用中。
Python如何实现HOG特征提取？以下是 HOG 最重要的方面：

HOG 专注于对象的结构。它提取边缘大小以及边缘方向的信息。
它使用64x128像素的检测窗口，因此首先将图像转换为(64, 128)形状。
然后将图像进一步分成小部分，然后计算每个部分的梯度和方向。它被分成8x16 个单元格，50% 重叠，所以总共有7x15 = 105个块，每个块由8x8像素的2x2 个单元格组成。
我们取每个块（8x8像素单元）的64 个梯度向量并将它们放入一个9- bin 直方图。

文章图片
以下是我们在 HOG 特征提取中采取的基本步骤：
Python HOG特征提取教程：调整图像大小Python HOG特征提取示例：如前所述，如果你有一张宽图像，则将图像裁剪到要应用 HOG 特征提取的特定部分，然后将其调整为适当的形状。
计算梯度现在调整大小后，我们需要计算 x 和 y 方向的梯度。梯度只是 x 和 y 方向的微小变化，我们需要在图像上卷积两个简单的过滤器。
计算x方向梯度的滤波器为：

文章图片
以下是我们将此过滤器应用于图像时：

文章图片
用于计算 y 方向梯度的滤波器为：

文章图片
以下是我们将此过滤器应用于图像时：

文章图片
计算幅度Python HOG特征提取教程：为了计算梯度的大小，使用以下公式：

文章图片

文章图片
计算方向梯度方向由下式给出：

文章图片
让我们举个例子，假设我们有下面的矩阵：

文章图片
在x轴的梯度将简单地是94-56 = 38，和93-55 = 38在y轴。
量级将是：

文章图片
梯度方向将是：

文章图片

Python HOG特征提取示例代码现在我们了解了理论，让我们来看看如何使用scikit-image库从图像中提取 HOG 特征。
Python实现HOG特征提取：首先，让我们为本教程安装必要的库：

pip3 install scikit-image matplotlib

【如何在Python中应用HOG特征提取（详细实现）】Python如何实现HOG特征提取？我将在一个可爱的猫图像上执行 HOG ，把它拿到这里并将它放在当前的工作目录中（当然，你可以使用任何你想要的图像）。让我们加载图像并显示它：

#importing required libraries from skimage.io import imread from skimage.transform import resize from skimage.feature import hog from skimage import exposure import matplotlib.pyplot as plt# reading the image img = imread('cat.jpg') plt.axis("off") plt.imshow(img) print(img.shape)

输出：

(1349, 1012, 3)

文章图片
调整图像大小：

# resizing image resized_img = resize(img, (128*4, 64*4)) plt.axis("off") plt.imshow(resized_img) print(resized_img.shape)

输出：

(128, 64, 3)

文章图片
现在我们只需使用hog()scikit-image 库中的函数：

#creating hog features fd, hog_image = hog(resized_img, orientations=9, pixels_per_cell=(8, 8), cells_per_block=(2, 2), visualize=True, multichannel=True) plt.axis("off") plt.imshow(hog_image, cmap="gray")

输出：