4、计算机视觉中的特征提取与选择技术详解

计算机视觉中的特征提取与选择技术详解

1. 方向梯度直方图（HOG）

在计算机视觉领域中，方向梯度直方图（HOG）是一种常用的特征描述符。在计算出一个块的特征向量后，下一步是对该向量进行归一化处理。这是因为特征向量依赖于图像的强度级别，归一化能使其对光照变化更具鲁棒性。归一化的操作是将向量中的每个元素除以根据公式 1 - 4 计算出的向量长度。

公式 1 - 4：$vector length = \sqrt{X_1^2 + X_2^2 + \cdots + X_n^2}$，其中 $X_i$ 表示向量的第 $i$ 个元素。

归一化后的向量是第一个块的结果，这个过程会持续进行，直到为所有块返回 36×1 的特征向量，然后将这些向量连接起来用于处理整个图像块。

在计算 HOG 之前，需要指定以下参数：
1. 方向数量
2. 每个单元格的像素数量
3. 每个块的单元格数量

在 Python 的 skimage.feature 模块中已经实现了 HOG，可通过 skimage.feature.hog() 函数轻松使用。上述三个参数都有默认值，可根据需求进行更改。若将 normalized 参数设置为 True ，则会返回归一化后的 HOG。

skimage.feature.hog(image, orientations=9, pixels_per_cell=(8, 8), 
cells_per_block=(3, 3),