HOG（未完成）

zhwli

于 2018-04-02 11:39:38 发布

阅读量153

点赞数

文章标签： HOG 图像处理特征机器学习

本文链接：https://blog.csdn.net/zhiwei2coder/article/details/79787034

版权

本文介绍了图像处理中计算像素梯度的基本方法，包括水平和垂直方向的梯度计算公式，并给出了梯度大小和方向的计算方式。此外还提供了一段伪代码实现，帮助读者更好地理解并实践这些计算方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

图像梯度计算
- 水平方向梯度：

G x (x, y) = H (x + 1, y) - H (x - 1, y)

$G_x(x, y) = H(x+1, y) - H(x-1, y)$
- 垂直方向梯度：

G y (x, y) = H (x, y + 1) - H (x, y - 1)

$G_y(x, y) = H(x, y+1) - H(x, y-1)$
- 像素的梯度：

G (x, y) = G x (x, y) 2 + G y (x, y) 2 ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ ‾ \sqrt

$G(x, y) = \sqrt{G_x(x, y)^2 + G_y(x, y)^2}$
- 梯度方向：

α (x, y) = t a n - 1 G y ( x , y ) G x ( x , y )

$\alpha(x, y) = tan^{-1}\frac{G_y(x, y)}{G_x(x, y)}$

伪代码实现：

hx = [-1,0,1]
hy = hx'
grad_x = filter(Img, hx)
grad_y = filter(Img, hy)

grad_xy = sqrt(grad_x.^2 + grad_y.^2)
theta = count_theta()