用第三方工具包中的特征提取函数，分别提取图像的LBP特征，HOG特征，并可视化输出原始图像和提取的特征图像

在计算机视觉中，使用第三方库如OpenCV或Scikit-image等可以帮助我们处理图像并提取特征。以下是针对局部二值模式（Local Binary Patterns，LBP）和方向梯度直方图（Histogram of Oriented Gradients，HOG）的简要步骤：

1. **LBP特征提取**:
- 导入必要的库：`import cv2` 和 `skimage.feature`
- 转换图像到灰度：`gray_image = cv2.cvtColor(original_image, cv2.COLOR_BGR2GRAY)`
- 应用LBP算子：`lbp_descriptor = skimage.feature.local_binary_pattern(gray_image, size=8, method='uniform')`
- 可视化LBP特征图：将描述符转换回原大小的图像，通常通过创建一个新的uint8矩阵，然后绘制每个像素点的LBP码。

2. **HOG特征提取**:
- `from skimage.feature import hog`
- 定义HOG参数：`orientations = 9`, `pixels_per_cell=(8,8)`, `cells_per_block=(2,2)` 或者自定义
- 提取HOG特征：`hog_descriptors, hog_orientations = hog(gray_image, orientations, pixels_per_cell=pixels_per_cell, cells_per_block=cells_per_block)`
- HOG通常是灰度的，所以不需要转换回彩色图像

3. **输出**:
- 使用`cv2.imshow()`显示原始图像、LBP特征图和HOG特征图。记得在展示之前关闭之前的窗口，以免重叠。

# 示例
cv2.imshow('Original Image', original_image)
cv2.imshow('LBP Feature', cv2.applyColorMap(lbp_descriptor.astype(np.uint8), cv2.COLORMAP_JET))
cv2.imshow('HOG Feature', hog_descriptors_to_color(hog_descriptors, hog_orientations))  # 自定义函数转换HOG到颜色图

cv2.waitKey(0)  # 等待用户按键，0表示无限等待
cv2.destroyAllWindows()