计算固定长度的灰度直方图（HOG），无论图像大小如何

  • Z时代
  • 2024-01-10
  • 分类：问答

我正在训练HOG + SVM模型，并且我的训练数据具有各种大小和纵横比。 SVM模型不能在可变大小列表上进行训练，因此我正在计算无论图像大小如何都是相同长度的梯度直方图。计算固定长度的灰度直方图（HOG），无论图像大小如何

有没有一个聪明的方法来做到这一点？或者更好地调整图像大小或填充它们？

回答：

人们通常在这种情况下做的是对遵循以下两种情况之一：

  1. 调整所有图像（或图像块）以固定的大小和提取与HOG特征。

  2. 使用“Bag of Words/Features”方法，不要调整图像大小。

第一种方法1.很简单，但它有一些方法2.试图解决的问题。首先，考虑一下猪描述符的作用。它将图像划分为固定长度的单元格，按照单元格计算梯度以生成单元格直方图（基于投票）。最后，你会得到所有单元格的连接直方图，这就是你的描述符。

所以有一个问题，因为对象（你想检测）必须以类似的方式覆盖图像。否则，根据图像内部对象的位置，您的描述符看起来会有所不同。

方法2.的工作原理如下：

  1. 在你的训练集正反两方面的图像提取HOG特征。

  2. 使用像k-means这样的聚类算法来定义一个固定的质心值k。

  3. 对于数据集中的每个图像，提取HOG特征并将它们按元素方式与质心进行比较以创建频率直方图。

使用频率直方图训练SVM并将其用于分类阶段。这样，该位置并不重要，您将始终拥有固定大小的输入。您还将从尺寸缩小中受益。

回答：

您可以使用cv2.resize（）将图像归一化为给定的目标形状，将图像划分为您想要的块的数量并计算方位的直方图以及幅度。以下是相同的简单实现。

img = cv2.imread(filename,0) 
img = cv2.resize(img,(16,16)) #resize the image 
gx = cv2.Sobel(img, cv2.CV_32F, 1, 0) #horizontal gradinets 
gy = cv2.Sobel(img, cv2.CV_32F, 0, 1) # vertical gradients 
mag, ang = cv2.cartToPolar(gx, gy) 
bin_n = 16 # Number of bins 
# quantizing binvalues in (0-16) 
bins = np.int32(bin_n*ang/(2*np.pi)) 
# divide to 4 sub-squares 
s = 8 #block size 
bin_cells = bins[:s,:s],bins[s:,:s],bins[:s,s:],bins[s:,s:] 
mag_cells = mag[:s,:s], mag[s:,:s], mag[:s,s:], mag[s:,s:] 
hists = [np.bincount(b.ravel(), m.ravel(), bin_n) for b, m in zip(bin_cells,mag_cells)] 
hist = np.hstack(hists) #histogram feature data to be fed to SVM model

希望有所帮助！

以上是 计算固定长度的灰度直方图（HOG），无论图像大小如何 的全部内容， 来源链接： utcz.com/qa/260780.html

回到顶部