目标检测（SIFT算法，HOG特征可视化）

问题1：请用下面鸡蛋模板在原图中检测出对应的鸡蛋图像。

SIFT（Scale-Invariant Feature Transform）是一种经典的图像特征提取算法，它能够在不同尺度和旋转情况下提取出具有良好稳定性的特征点。SIFT算法的主要步骤包括关键点检测、关键点定位、关键点描述和关键点匹配。SIFT算法通过提取出具有尺度不变性、旋转不变性和部分视角不变性的特征描述子，可用于图像检索、目标跟踪、图像拼接等计算机视觉任务。

import cv2

source_image = cv2.imread('template.jpg')  # 灰度图像
target_image = cv2.imread('target.png')  # 灰度图像

result = cv2.matchTemplate(target_image, source_image, cv2.TM_CCOEFF_NORMED)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)
# 确定模板图像的宽度和高度
template_width, template_height = source_image.shape[:2]
# 绘制矩形框标记匹配区域
top_left = max_loc
bottom_right = (top_left[0] + template_width, top_left[1] + template_height)
cv2.rectangle(target_image, top_left, bottom_right, (0, 255, 0), 2)


sift = cv2.SIFT_create()
keypoints_source, descriptors_source = sift.detectAndCompute(source_image, None)
keypoints_target, descriptors_target = sift.detectAndCompute(target_image, None)
matcher = cv2.BFMatcher()
matches = matcher.match(descriptors_source, descriptors_target)
matches = sorted(matches, key=lambda x: x.distance)
matched_image = cv2.drawMatches(source_image, keypoints_source, target_image, keypoints_target, matches[:500], None,
                               flags=cv2.DrawMatchesFlags_NOT_DRAW_SINGLE_POINTS)
cv2.imshow('Matches', matched_image)
cv2.imwrite('Result.jpg', matched_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

 结果图：

可以看到，使用cv2.matchTemplate可以实现原图的图像匹配，使用cv2.SIFT_create()方法可以实现SIFT特征提取算法，匹配出原图和模板具有尺度不变性、旋转不变性的特征点，效果还是不错的。

问题2：请计算得到下图的HOG特征，并对其可视化。

 HOG(Histogram of Oriented Gradient)特征在对象检测与模式匹配中是一种常见的特征提取算法，是基于本地像素块进行特征直方图提取的一种算法。HOG算法的基本思想是将图像分成小的局部区域，计算每个区域内梯度方向的直方图，并将这些直方图连接起来形成特征描述子。HOG算法通过统计图像中不同方向上的梯度信息，能够捕捉到物体的边缘和纹理等局部特征，具有较好的鲁棒性和抗干扰能力。在目标检测中，通常使用滑动窗口和支持向量机（SVM）等方法，结合HOG特征来进行目标的定位和识别。

import cv2
import numpy as np
from skimage.feature import hog



# 加载图像
image = cv2.imread('target2.jpg')

# 将图像转换为灰度图像
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 定义HOG参数
orientations = 9  # 方向的数量
pixels_per_cell = (8, 8)  # 每个细胞的像素数
cells_per_block = (2, 2)  # 每个块的细胞数

# 计算HOG特征
features, hog_image = hog(gray_image, orientations=orientations,
                         pixels_per_cell=pixels_per_cell,
                         cells_per_block=cells_per_block,
                         visualize=True, block_norm='L2-Hys')

# 对HOG特征进行归一化处理
features = features.reshape(-1, orientations)
features = np.sqrt(features)
features = features / np.linalg.norm(features)
print('HOG特征数组:', features)
cv2.imshow('HOG Features', hog_image)
cv2.imwrite('HOG Features.png', hog_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

结果图：

可以看到，HOG特征数组成功计算出来，并成功可视化HOG特征在输入图像上的分布情况。