python 提取目标的hog特征代码

from skimage import feature, exposure
from matplotlib import pyplot as plt
import cv2
image = cv2.imread('E:\\new\\02591.jpg')#此处修改成自己的图片路径
image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

fd, hog_image = feature.hog(image, orientations=9, pixels_per_cell=(8, 8),
                    cells_per_block=(2, 4), visualize=True)

# Rescale histogram for better display
hog_image_rescaled = exposure.rescale_intensity(hog_image, in_range=(0, 10))

cv2.namedWindow("img",cv2.WINDOW_NORMAL)
cv2.imshow('img', image)
cv2.namedWindow("hog",cv2.WINDOW_NORMAL)
cv2.imshow('hog', hog_image_rescaled)
cv2.waitKey(0)==ord('q')

摘自知乎,并修改到可用。有用请点个赞

  • 2
    点赞
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
可以,以下是一个Python实现HOG特征提取代码示例: ```python import cv2 import numpy as np # 读取图片 img = cv2.imread('your_image_file.jpg') # 将图片转为灰度图 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 计算图像梯度 gx = cv2.Sobel(gray, cv2.CV_32F, 1, 0) gy = cv2.Sobel(gray, cv2.CV_32F, 0, 1) # 计算梯度幅值和方向 mag, angle = cv2.cartToPolar(gx, gy, angleInDegrees=True) # 将方向范围从0~360度改为0~180度 angle = angle % 180 # 将图像分成若干个块,每个块9个直方图bin,计算直方图 cell_size = (8, 8) block_size = (2, 2) nbins = 9 # 计算每个块的梯度直方图 hog = cv2.HOGDescriptor(_winSize=(gray.shape[1] // cell_size[1] * cell_size[1], gray.shape[0] // cell_size[0] * cell_size[0]), _blockSize=(block_size[1] * cell_size[1], block_size[0] * cell_size[0]), _blockStride=(cell_size[1], cell_size[0]), _cellSize=(cell_size[1], cell_size[0]), _nbins=nbins) hist = hog.compute(mag, winStride=(cell_size[1], cell_size[0]), padding=(0, 0)) # 将直方图展开为特征向量 features = np.array(hist).reshape(-1) ``` 这段代码通过opencv库实现了HOG特征提取,具体实现过程如下: 1. 读取图像并将其转换为灰度图; 2. 计算图像的梯度,包括x和y方向的梯度; 3. 计算梯度幅值和方向,并将方向范围从0~360度改为0~180度; 4. 将图像分成若干个块,并计算每个块的梯度直方图; 5. 将直方图展开为特征向量。 这段代码可以用于目标检测、行人识别、人脸识别等计算机视觉任务
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值