scikit-image HOG feature 提取函数使用心得。

Hog 特征比较直观好懂，本质是提取图片内的梯度统计信息。

其提取图片特征的层次，可以分为：图片／Block／cell　这三个层次，每个层次有下属层次的多个单位构成，例如图片被分为Ｎ个block　具体是采用滑动窗口，每个ｂlock又被分为多个cell，其中cell　作为最底层是提取梯度信息的最基本单位。统计ｃｅｌｌ内所有像素的梯度方向信息并将其划分到预设的梯度方向范围内，便形成了基本的梯度直方图信息。接下来就是一个逆向的组合过程，即，底层ｃｅｌｌ的梯度信息不断地组合在一起（还有归一化）形成ｂｌｏｃｋ的特征，ｂｌｏｃｋ的特征在组合在一起就成了ｉｍａｇｅ的ｆｅａｔｕｒｅ，这里说的组合值得是拼接的意思。归一化目的是去除光噪声的影响，这个好理解，因为均匀光源对图片的影响是加性的，并不改变相对大小，引起归一化是起一点抗燥作用的。

扯原理太多了，这里主要是说明我使用scikit-image 中　ＨＯＧ函数的心得。

scikit-image 里面的hog函数是这样的：

ft.hog(image, orientations=orientations, pixels_per_cell=pixels_per_cell, transform_sqrt=is_transform, feature_vector=is_feature_vector,
cells_per_block=cells_per_block, visualise=is_visualise)

其中的参数名称我已写的直观易懂了。问题来了，希望大家注意以下几点：

１ 整个函数的参数使用的是类似opencv 的参数格式，即【宽度，高度】而非python numpy 中的[行数，列数], 因此pixels_per_cell= [ 像素宽度，像素高度], cell_per_block= [ 宽度，高度】

２ cell 尺寸和block尺寸问题:  

        cell尺寸的倍数只能比block小，不能比之大，否则就会越界，返回空列表。
        例如：mg=[11,11], pixel_per_cell=[5,5], cell_per_block= [2,2] 是可以的。将pixel_per_cell设置为　[6,6]其他不变，就是不行。
        想想也奇怪，真是宁可漏掉都不能重叠。

３ 函数使用中参数设置错误，不会报错，只会给你返回一个空列表。这点最令人无法忍受，一点都不友好。