灰度梯度共生矩阵_原 共生矩阵梯度方向直方图特征——Co-HOG详解

1.概念

Co-occurrence Histograms of Oriented Gradients(Co-HOG)，即共生矩阵梯度方向直方图特征，是一种高维特征，其主要的特点就是引入了共生矩阵。Co-HOG将每个像素点的梯度方向进行成对的组合，同时将原来的梯度方向划分为8个，范围从0度到360度，即每45度为一个bin。由于每两个像素点组成一个组合，所以共生矩阵的大小为8x8=64.梯度方向图及梯度对图如下所示：

2.点对中的偏移关系
所找点对之间的相对位置，比如上下关系，左右关系等等叫做偏移方式。点对中的偏移关系有31种形式，如图所示，任意一个白点与黑点的组合都是一种偏移方式，同时白点本身也是一种偏移方式。

偏移关系总图

所以给定一种偏移方式，我们可视化共生矩阵的过程如下图所示：

3.Co-HOG特征实现过程

（1）对整幅图像进行和HOG特征一样的梯度计算。然后将图像按照宽高比均分为m*n个小块，例如原图是18x36，那么生成的每个小块为3x6,所以就生成了6*6个小块（小块是无重叠区域的）；

（2）选定一种偏移方式对每个小块进行扫描，生成一个共生矩阵，这样就会生成一个m*n*64的列向量；

（3）然后变换一种偏移关系在整幅图像上扫描，直到31种所有偏移方式都扫描一次。这样将会生成31*64*m*n的列向量，也就是最终的Co-HOG特征。

那么整个Co-HOG特征的计算过程如下图所以：

4.Co-HOG特征的优势

Co-HOG特征与HOG特征一样，在光照变化和形变下具有鲁棒性，除此之外，由于CO-HOG特征是高维特征，因此它更加细化地表达了图像形状的信息。我们知道HOG特征在计算上包括更多的复杂步骤，例如方向权值投票，梯度方向直方图归一化，还有小区域是重叠的，而Co-HOG却不需要这些步骤，所以计算速度更快。
5.Co-HOG特征计算实现的伪代码