4、计算机视觉中的特征提取与选择技术

计算机视觉中的特征提取与选择技术

1. 方向梯度直方图（HOG）

在计算图像块的特征向量后，需要对其进行归一化处理。特征归一化的目的是使特征向量对光照变化具有鲁棒性，因为特征向量依赖于图像的强度级别。归一化是通过将向量中的每个元素除以根据公式 1 - 4 计算出的向量长度来实现的。

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图像块的结果，该过程会持续进行，直到得到所有图像块的 36×1 特征向量。这些向量随后会被拼接起来，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

HOG 在 Python 的 skimage.feature 模块中已经实现，可以通过 skimage.feature.hog() 函数轻松使用。上述三个参数都有默认值，可以根据需求进行修改。如果将 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), visualise=F