图像特征之HOG(Histogram of Oriented Gradients)方向梯度直方图

最新推荐文章于 2024-01-31 15:49:36 发布

原创

最新推荐文章于 2024-01-31 15:49:36 发布 · 1.1k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#机器学习 #计算机视觉 #人工智能

HOG(方向梯度直方图)是一种广泛应用于图像识别的特征提取方法。通过计算图像的梯度并归纳为直方图，减少特征向量维度，保留关键信息。本文详细介绍了HOG的计算过程，包括图像梯度计算、方向梯度直方图生成及正则化处理。

概述

HOG(Histogram of Oriented Gradients)方向梯度直方图是图像识别的一个常用特征。其基本思路是计算图片的图像梯度，从而检测出边缘，再将图像梯度进行归纳和缩减，减少特征向量的维度。有了这个特征向量，后面就可以用学习算法进行训练和识别。

1.划分8*8小块并计算图像梯度

HOG的计算过程第一步，先将图像划分为8*8的小块，针对每个小块的每一个像素，都可以计算得到一个图像梯度，这个图像梯度有一个角度angle（0-180度）（方向）和一个大小magnitude（绝对值）。角度表示颜色变化的方向，而大小表示颜色变化的剧烈程度。
如何计算图像梯度可以看我的上一篇博客
下图是一个图像梯度计算示例。
图像划分成8*8并计算图像梯度

上图中共有左中右三部分，分别有不同的含义，下面分别加以说明。
最左面是原始图片，被分成8 * 8的小方块。注意红色框出的是后面要进行示例计算的一个小块。
中间的图是红色框出来的小方块的放大图，共 8 * 8 =64个像素，每一个小格是一个像素。每个像素上用箭头标出和图像梯度，箭头方向表示梯度角度，箭头长度表示梯度大小。
最右面的图是这个8 * 8小方块计算得到的图像梯度的大小（上面表格）和角度（下面表格）。

有了这个8 * 8小块的图像梯度以后，下面就可以计算HOG了。