3、计算机视觉中的特征提取：GLCM与HOG详解

计算机视觉中的特征提取：GLCM与HOG详解

在计算机视觉领域，特征提取是一项关键任务，它能够帮助我们从图像中提取有意义的信息，用于后续的分析和识别。本文将详细介绍两种常用的特征提取方法：灰度共生矩阵（GLCM）和方向梯度直方图（HOG）。

灰度共生矩阵（GLCM）

灰度共生矩阵（GLCM）是一种用于描述图像纹理特征的方法。它通过统计图像中不同灰度级之间的空间关系，来反映图像的纹理信息。

计算GLCM

在Python中，可以使用 skimage.feature.greycomatrix() 函数来计算GLCM。该函数接受输入图像、距离、角度和灰度级数作为参数。例如：

import skimage.feature
import numpy as np

arr = np.random.randint(0, 4, (10, 10))  # 示例图像
co_mat = skimage.feature.greycomatrix(image=arr, distances=[1, 4], angles=[0, 45, 90], levels=4)

返回的GLCM矩阵的形状为 (4, 4, 2, 3) ，其中前两个数字表示矩阵的行数和列数，第三个数字表示使用的距离数，最后一个数字表示使用的角度数。

GLCM归一化

GLCM归一化是将GLCM矩阵转换为概率矩阵的过程。通过将矩阵中的每个元素除以矩阵元素的总和，可以得到归一化的矩阵。归一化的好处是使矩阵中