python hog特征提取_HOG图像特征提取算法
HOG简介
HOG全称:方向梯度直方图(Histogram of Oriented Gradient),发表于2005年的CVPR,是一种图像特征提取算法,和SVM分类器结合应用于行人检测领域。HOG通过计算图像中每个像素的梯度的大小和方向,来获取图像的梯度特征,是一种特征描述子。
HOG特点
1.由于计算局部直方图和归一化,所以它对图像几何的和光学的形变都能保持很好的不变性;
2.细微的动作可以被忽略而不影响检测效果。
HOG计算步骤
1.对输入图像进行灰度化
2.利用gamma校正法对图像进行颜色空间归一化;
3.计算图像中每个像素的梯度大小和方向;
4.将图像划分cells,计算每个cell内的梯度直方图;
5.将每几个cell组成一个block,计算每个block内的梯度特征;
6.将图像中所有block的梯度特征组合起来就得到了图像的特征描述子;
7.将图像特征输入分类器进行分类。
HOG参数计算
计算流程
图像(image)->滑动图像块(block)->细胞单元(cells)
1.block个数计算
假设图像大小为128x128,block大小为16x16, block stride为8x8
则block个数 = ((128-16)/8+1) x ((128-16)/8 +1) = 15x15 = 225
2.每个block内的cell个数计算
假设cell size为8x8
则cell个数 = (16x16) / (8x8) = 4
3.每张图特征维度
假设直方图等级数 bins = 9
则每张图的特征维度 = 225 x 4 x 9 = 8100
HOG提取特征效果
原图:
HOG特征图:
HOG代码实现
1.基于python的scikit-image库提供了HOG特征提取的接口:
from skimage import feature as ft
features = ft.hog(image, # input image
orientations=ori, # number of bins
pixels_per_cell=ppc, # pixel per cell
cells_per_block=cpb, # cells per blcok
block_norm = 'L1', # block norm : str {‘L1’, ‘L1-sqrt’, ‘L2’, ‘L2-Hys’}
transform_sqrt = True, # power law compression (also known as gamma correction)
feature_vector=True, # flatten the final vectors
visualise=False) # return HOG map
应用示例:
from skimage.feature import hog
gray = rgb2gray(image) / 255.0
fd = hog(gray, orientations=12, block_norm='L1', pixels_per_cell=[10, 10], cells_per_block=[4, 4], visualize=False, transform_sqrt=True)
2.HOG代码实现
import cv2
import numpy as np
import math
import matplotlib.pyplot as plt
class Hog_descriptor():
def __init__(self, img, cell_size=16, bin_size=8):
self.img = img
self.img = np.sqrt(img / np.max(img))
self.img = img * 255
self.cell_size = cell_size
self.bin_size = bin_size
self.angle_unit = 360 / self.bin_size
def extract(self):
height, width = self.img.shape
# 计算图像的梯度大小和方向
gradient_magnitude, gradient_angle = self.global_gradient()
gradient_magnitude = abs(gradient_magnitude)
cell_gradient_vector = np.zeros((int(height / self.cell_size), int(width / self.cell_size), self.bin_size))
for i in range(cell_gradient_vector.shape[0]):
for j in range(cell_gradient_vector.shape[1]):
# cell内的梯度大小
cell_magnitude = gradient_magnitude[i * self.cell_size:(i + 1) * self.cell_size,
j * self.cell_size:(j + 1) * self.cell_size]
# cell内的梯度方向
cell_angle = gradient_angle[i * self.cell_size:(i + 1) * self.cell_size,
j * self.cell_size:(j + 1) * self.cell_size]
# 转化为梯度直方图格式
cell_gradient_vector[i][j] = self.cell_gradient(cell_magnitude, cell_angle)
# 绘制梯度直方图
hog_image = self.render_gradient(np.zeros([height, width]), cell_gradient_vector)
# block组合、归一化
hog_vector = []
for i in range(cell_gradient_vector.shape[0] - 1):
for j in range(cell_gradient_vector.shape[1] - 1):
block_vector = []
block_vector.extend(cell_gradient_vector[i][j])
block_vector.extend(cell_gradient_vector[i][j + 1])
block_vector.extend(cell_gradient_vector[i + 1][j])
block_vector.extend(cell_gradient_vector[i + 1][j + 1])
mag = lambda vector: math.sqrt(sum(i ** 2 for i in vector))
magnitude = mag(block_vector)
if magnitude != 0:
normalize = lambda block_vector, magnitude: [element / magnitude for element in block_vector]
block_vector = normalize(block_vector, magnitude)
hog_vector.append(block_vector)
return hog_vector, hog_image
def global_gradient(self):
gradient_values_x = cv2.Sobel(self.img, cv2.CV_64F, 1, 0, ksize=5)
gradient_values_y = cv2.Sobel(self.img, cv2.CV_64F, 0, 1, ksize=5)
gradient_magnitude = cv2.addWeighted(gradient_values_x, 0.5, gradient_values_y, 0.5, 0)
gradient_angle = cv2.phase(gradient_values_x, gradient_values_y, angleInDegrees=True)
return gradient_magnitude, gradient_angle
def cell_gradient(self, cell_magnitude, cell_angle):
orientation_centers = [0] * self.bin_size
for i in range(cell_magnitude.shape[0]):
for j in range(cell_magnitude.shape[1]):
gradient_strength = cell_magnitude[i][j]
gradient_angle = cell_angle[i][j]
min_angle, max_angle, mod = self.get_closest_bins(gradient_angle)
orientation_centers[min_angle] += (gradient_strength * (1 - (mod / self.angle_unit)))
orientation_centers[max_angle] += (gradient_strength * (mod / self.angle_unit))
return orientation_centers
def get_closest_bins(self, gradient_angle):
idx = int(gradient_angle / self.angle_unit)
mod = gradient_angle % self.angle_unit
return idx, (idx + 1) % self.bin_size, mod
def render_gradient(self, image, cell_gradient):
cell_width = self.cell_size / 2
max_mag = np.array(cell_gradient).max()
for x in range(cell_gradient.shape[0]):
for y in range(cell_gradient.shape[1]):
cell_grad = cell_gradient[x][y]
cell_grad /= max_mag
angle = 0
angle_gap = self.angle_unit
for magnitude in cell_grad:
angle_radian = math.radians(angle)
x1 = int(x * self.cell_size + magnitude * cell_width * math.cos(angle_radian))
y1 = int(y * self.cell_size + magnitude * cell_width * math.sin(angle_radian))
x2 = int(x * self.cell_size - magnitude * cell_width * math.cos(angle_radian))
y2 = int(y * self.cell_size - magnitude * cell_width * math.sin(angle_radian))
cv2.line(image, (y1, x1), (y2, x2), int(255 * math.sqrt(magnitude)))
angle += angle_gap
return image
img = cv2.imread('0.jpg', cv2.IMREAD_GRAYSCALE)
hog = Hog_descriptor(img, cell_size=8, bin_size=9)
vector, image = hog.extract()
# 输出图像的特征向量shape
print(np.array(vector).shape)
plt.imshow(image, cmap=plt.cm.gray)
plt.show()
python hog特征提取_HOG图像特征提取算法相关推荐
- HOG和SIFT图像特征提取简述
前言 随着深度学习方法的流行,很多人对传统方法一无所知.然而传统方法仍然非常重要,这里介绍两个提取特征的传统方法--HOG和SIFT方法. 本文转载自咪付,仅用于学术分享(编辑:CV 技术指南) 如今 ...
- 数字图像处理与Python实现笔记之图像特征提取
数字图像处理与Python实现笔记 摘要 绪论 1 数字图像处理基础知识 2 彩色图像处理初步 3 空间滤波 4 频域滤波 5 图像特征提取 5.1 图像颜色特征提取 5.1.1 颜色直方图 1 一般 ...
- 基于sift特征提取的图像配准算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述 SIFT 是一种从图像中提取独特不变特征的方法,其特点为基于图像的一些局部特征,而与图像整体的大小和 ...
- 基于SURF特征提取的图像配准算法的matlab仿真
目录 1.算法概述 2.仿真效果 3.MATLAB仿真源码 1.算法概述 SURF,全称Speeded-up Robust Feature,是SIFT算法的改进版和加速版,综合性能更优.由Herber ...
- 基于affine+sift特征提取的图像配准算法matlab仿真
目录 一.理论基础 二.核心程序 三.仿真测试结果 一.理论基础 由于相机正面拍摄物体时,相机的光轴方向可能发生变化,带来扭曲,所以第一步是对每张图片进行变换,模拟所有可能的仿射扭曲.这些扭曲由两个参 ...
- 图像降噪算法——稀疏表达:K-SVD算法
图像降噪算法--稀疏表达:K-SVD算法 图像降噪算法--稀疏表达:K-SVD算法 1. 基本原理 2. python代码 3. 结论 图像降噪算法--稀疏表达:K-SVD算法 为了完善下自己降噪算法 ...
- Python人脸图像特征提取(HOG、Dlib、CNN方法)
Python人脸图像特征提取(HOG.Dlib.CNN方法) 一.HOG人脸图像特征提取 1.HOG特征: 1) 主要思想: 2) 实现方法: 3) 性能提高: 4) 优点 2.HOG特征提取算法的实 ...
- 基于颜色布局描述符(CLD)图像特征提取算法使用Python实现简单的人脸检测功能并使用PyQt5构建简单的功能界面(数字图像处理课程实验)
文章目录 一.环境准备 二.数据集准备 三.项目结构 四.完整参考代码 imgCode/testUI3.py imgCode/test2.py 五.运行结果 测试一: 测试二 六.参考链接 一.环境准 ...
- HOG图像特征提取算法
HOG图像特征提取算法 HOG简介 HOG特点 HOG计算步骤 HOG参数计算 HOG提取特征效果 HOG代码实现 HOG简介 HOG全称:方向梯度直方图(Histogram of Oriented ...
最新文章
- Rocket - diplomacy - AddressAdjuster
- 进程管理supervisor的简单说明
- 著名站点的爬虫 —— 豆瓣
- python字符串注释_python字符串注释_Python学习笔记-字符串与注释
- 全球 MEDC 2007 举行日期
- golang map使用总结
- (第二部)程序员逆天改命之胜天半子
- Tomcat startup.bat 后台运行,不再弹出 Dos 黑框
- Delphi 与 DirectX 之 DelphiX(91): TDIB.DrawMono();
- Invest模型-碳储量计算
- 【anaconda】卸载Anaconda重装后,出现failed to create anaconda menu的问题,终于解决了
- qcc304x笔记之长按开关机(四)
- AR软件开发一个要多少钱?分享AR内容制作市价
- FM收音机 RDS的强大功能
- 如何看待哔哩哔哩(B站)的后端代码主仓库被上传至了GitHub?
- maven打包--同时将仓库依赖和本地依赖的jar包也打进去
- AngularCI/CD:Error: initial exceeded maximum budget
- 16进制转2进制代码
- 【关系网络】Learning to Compare: Relation Network for Few-Shot Learning
- “那些看似不起波澜的日复一日,终会在某天让你看到坚持的意义。”
热门文章
- VCSA7.0-Windows2019模板制作
- psd文件丢失了怎么恢复?分享原因及对应恢复方法
- 内核文件系统API之get_empty_filp
- token过期怎么办 无感刷新token
- 基于优酷业务特色的跨平台技术 | GaiaX 开源解读
- 1900年 巴黎 第二届奥运会
- 升级android10后费电,荣耀V20升级更新安卓10的Magic UI 3.0后耗电速度变快了
- 半波、全波、滤波的电路经验公式(小白的学习工作总结)
- kali环境下的ARP欺骗学习笔记以及driftnet无法抓取图片的解决办法
- 开发游戏陪玩app源码前,需要掌握的音视频格式知识