【python3】实现HOG（histogram oriented gradient）并且将结果转换成可视化图像展示

实现HOG（histogram oriented gradient）并且将结果转换成可视化图像展示

1. 本博客采用skimage，因为如果直接采用opencv中的HOGDescriptor() ,并不具备将HOG处理后的梯度直方图再结合原图像显示功能，因此使用skimage，代码如下：

import cv2
import os
import numpy as np
from skimage import exposure
from skimage.feature import hog
from skimage import data, color, exposure


def read_path(file_pathname):
    for filename in os.listdir(file_pathname):
        print(filename)
        img = cv2.imread(file_pathname+'/'+filename)
        ####change to hog
        image = color.rgb2gray(img)
        fd, hog_image = hog(image, orientations=8, pixels_per_cell=(16, 16),cells_per_block=(1, 1), visualise=True)
        # Rescale histogram for better display
        hog_image_rescaled = exposure.rescale_intensity(hog_image, in_range=(0, 0.02))
        #hog_image_rescaled = np.repeat(hog_image_rescaled[:,:,np.newaxis], 3, axis=2)
        final_img = image * hog_image_rescaled
        print(type(hog_image_rescaled))
        cv2.imshow('final_img',final_img)
        cv2.waitKey(0)
        #cv2.imwrite('/tool/HOGCNN/xixi'+"/"+filename,h)       

read_path("/tool/HOGCNN/xixi")
#print(os.getcwd())

2. 结果如下：（原图是一个火车）
   

关于HOG和CNN同样作为特征提取，能否混合使用的思考（HOG-CNN、CNN-HOG、或者二者并行使用）

1. 想通过opencv实现HOG之后，同时将最后的特征图可视化出来，发现opencv不提供该方法，遂通过scikit-image来使用HOG方法，以及其中自带的可视化；
2. 考虑能否将HOG先处理再利用CNN的做法不合理，HOG特征提取能力有限，在这个过程中可能损失掉了图像的大多数信息，导致后续的CNN不能充分利用图像信息（等于将CNN的特征提取能力封印了），因此只需要采用HOG+SVM或者CNN+SVM的手段，并不需要将HOG和CNN 并行利用起来；