方向梯度直方图代码

下面是一个使用 Python 实现 HOG 算法的示例代码：

import cv2
import numpy as np
from skimage.feature import hog

# 读取图像并灰度化
img = cv2.imread('test.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 计算 HOG 特征向量
hog_feature, hog_image = hog(gray, orientations=9, pixels_per_cell=(8, 8),
                             cells_per_block=(2, 2), block_norm='L2-Hys', visualize=True)

# 显示原始图像和 HOG 特征图像
cv2.imshow('Original Image', img)
cv2.imshow('HOG Image', hog_image)
cv2.waitKey(0)

在代码中，首先使用 `cv2.imread` 函数读取图像，并使用 `cv2.cvtColor` 函数将图像转换为灰度图像。然后使用 `skimage.feature.hog` 函数计算 HOG 特征向量，其中 orientations 表示梯度方向的区间数量，pixels_per_cell 表示细胞的大小，cells_per_block 表示区域的大小，block_norm 表示归一化方式。最后显示原始图像和 HOG 特征图像。需要注意的是，在计算 HOG 特征向量时，需要使用第三方库 `skimage`。

总的来说，HOG 算法是一种基于梯度方向的图像纹理特征描述方法，可以用于图像分类、目标检测、人脸识别等领域。在实际应用中，需要根据具体的任务和图像特点，选择合适的算法，并对算法进行优化和改进，以获得更好的效果。