Python实现hog特征图可视化

Question

大家帮我看一下用这段代码要生成这样的图片 怎么读取自己的图片啊

Answer 1

引自免费微信小程序：皆我百晓生

为了在 Python 中实现 HOG（Histogram of Oriented Gradients）特征图的可视化，你需要使用 OpenCV 和 scikit-image 库。首先确保你已经安装了这些库，如果没有，可以通过 pip 安装：

pip install opencv-python-headless scikit-image

然后，根据给定的代码片段，这里是一个详细的解释以及如何读取你自己的图片并生成 HOG 特征图的步骤：

1. 导入所需的库。
2. 读取你要处理的图片。
3. 对图片进行缩放，这一步不是必须的，但可以用于控制图像大小。
4. 将彩色图片转换为灰度图像，因为 HOG 特征通常基于灰度图像计算。
5. 计算 HOG 特征，并同时生成可视化图像。
6. 显示原始图片和 HOG 图像。

以下是完整的代码示例，包括如何读取你自己的图片：

import cv2
import numpy as np
from skimage.feature import hog

def visualize_hog(image_path):
    # 读入图像
    img = cv2.imread(image_path)

    # 缩放图像（可选）
    img_resized = cv2.resize(img, (300, 300))

    # 将彩色图像转换为灰度图像
    image_gray = cv2.cvtColor(img_resized, cv2.COLOR_BGR2GRAY)

    # 计算 HOG 特征并生成可视化图像
    orientations = 9  # 将180°划分为9个bin,20°一个
    pixels_per_cell = (8, 8)  # 每个cell有8x8=64个像素点
    cells_per_block = (8, 8)  # 每个block中有8x8=64个cell
    block_norm = 'L2-Hys'  # 块向量归一化 str{'L1','L1-sqrt','L2','L2-Hys'}
    transform_sqrt = True  # gamma 归一化
    feature_vector = False  # 不转化为一维向量输出，保留原图可视化
    visualize = True  # 输出HOG图像

    hog_image = hog(image_gray, orientations, pixels_per_cell, cells_per_block,
                    block_norm, transform_sqrt, feature_vector, visualize)

    # 显示原始图片和 HOG 图像
    fig, axs = plt.subplots(1, 2, figsize=(10, 5))
    axs[0].imshow(cv2.cvtColor(img_resized, cv2.COLOR_BGR2RGB))
    axs[0].set_title('Original Image')
    axs[1].imshow(hog_image, cmap='gray')
    axs[1].set_title('HOG Visualization')
    plt.tight_layout()
    plt.show()

# 使用你自己的图片路径替换下面的路径
image_path = "path_to_your_image.png"
visualize_hog(image_path)

将 image_path 变量中的 "path_to_your_image.png" 替换为你想要分析的图片的实际路径。运行这段代码后，它会显示原始图像和对应的 HOG 特征图。注意，HOG 图像的颜色表示不同方向上的梯度强度，颜色越深，表示相应方向的梯度越强。