Python实现HOG特征提取：从图像到梯度直方图

"这篇文档是关于使用Python实现方向梯度直方图（Histogram of Oriented Gradients, HOG）的实战教程，主要来源于CSDN平台。文档详细介绍了如何通过OpenCV库处理图像，计算梯度，以及进行HOG特征提取的步骤。" 在计算机视觉领域，方向梯度直方图（HOG）是一种用于对象检测的强大特征描述符。HOG通过捕捉图像局部区域内的边缘和形状信息来识别和定位目标物体。下面是基于Python和OpenCV实现HOG的详细过程： 1. **读取图片** 使用`cv2.imread()`函数读取图像，可以设置参数0以读取灰度图像。`img2`是对原始图像进行归一化的版本，将像素值缩放到0到1之间，而`img1`保持原图像的8位整数格式。`image`则由`color.rgb2gray()`函数将彩色图像转换为灰度图像。 2. **计算梯度** - **x方向梯度**：使用`cv2.Sobel()`函数计算x方向的梯度。该函数接受输入图像、数据类型（在这里为`cv2.CV_32F`，即32位浮点数）、x方向的差分阶数（1表示向前一像素求导）和y方向的差分阶数（0表示仅计算x方向的梯度），以及可选的卷积核大小（在这里为1x1）。 - **y方向梯度**：同样使用`cv2.Sobel()`函数计算y方向的梯度，但这次改变y方向的差分阶数为1。 3. **计算合梯度的幅值和方向** 使用`cv2.cartToPolar()`函数将x和y梯度转换为极坐标形式，得到梯度的幅值（magnitude）和方向（angle）。`angleInDegrees=True`参数表示返回的角度以度为单位。 4. **可视化** 文档中的这部分代码用于展示各个步骤的结果，包括原始图像、x方向梯度图、y方向梯度图等，以便于理解图像处理的过程。`plt.figure(figsize=(30,30))`创建了一个宽30，高30的图像，`add_subplot()`函数添加了子图，并用`axis('off')`关闭了坐标轴显示。 5. **HOG特征提取** 虽然这部分代码没有展示完整的HOG特征提取，但在实际应用中，接下来的步骤通常会涉及： - **细胞单元格（Cell）划分**：将图像划分为小的单元格。 - **块（Block）与重叠**：多个相邻的单元格组成一个块，块之间可能有重叠。 - **梯度直方图**：在每个单元格内，根据梯度方向创建直方图。 - **归一化**：对块内的直方图进行局部归一化，以减少光照变化的影响。 - **形成特征向量**：组合所有块的直方图形成最终的HOG特征向量。 HOG特征在行人检测、车辆检测等应用场景中表现出色，但其计算复杂度较高，对于大规模图像处理可能会较慢。随着深度学习的发展，虽然HOG已不再是主流的特征提取方法，但它依然是理解和学习计算机视觉原理的重要工具。