HOG特征自己编程实现《python图像处理篇》

引言：在图像处理领域，HOG可算是技术元老了，它在深度学习还没出生之前，可所谓是爆红，相对于是当时的网红，红人，热搜。

1.HOG原理

        HOG主要是统计图像的梯度信息，类似于直方图，只不过直方图统计的是像素值，HOG统计的是像素的梯度信息，可以这样理解，HOG是在直方图的基础上做了梯度信息，有点像站在巨人的肩膀上。（小琼的简单粗暴理解，如果理解错误，欢迎大家批评指正）

2.主要内容（算法流程）

1》标准化。

        规范的术语叫，主要目的是将图像的像素值归一化到0-1区间，有利于计算，减少计算量。

img=img/255 ;（像素值是0-255）

2》Gamma矫正。

        HOG的算法首先第二步是进行Gamma矫正，（类似于直方图均衡化，夸大灰度图像的区间，一般取值为0.5-0.8，主要是消除强烈光照影响）

公式：Gamma=IMG^gamma   ；(gamma=0.8)

（加强理解）对原图像进行指数变换。

3》计算梯度。

        这是核心部分，计算图像的X、Y方向的梯度信息。公式如下：

Gx[ i , j ]=i