HOG图像特征提取算法 |
您所在的位置：网站首页 › hog特征提取python代码 › HOG图像特征提取算法 |
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 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。 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： 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() |
HOG特征图： 
【本文地址】
今日新闻 |
推荐新闻 |