引言：在图像处理领域，HOG可算是技术元老了，它在深度学习还没出生之前，可所谓是爆红，相对于是当时的网红，红人，热搜。
1.HOG原理
HOG主要是统计图像的梯度信息，类似于直方图，只不过直方图统计的是像素值，HOG统计的是像素的梯度信息，可以这样理解，HOG是在直方图的基础上做了梯度信息，有点像站在巨人的肩膀上。（小琼的简单粗暴理解，如果理解错误，欢迎大家批评指正）
2.主要内容（算法流程）
1》标准化。
规范的术语叫，主要目的是将图像的像素值归一化到0-1区间，有利于计算，减少计算量。
img=img/255 ;（像素值是0-255）
2》Gamma矫正。
HOG的算法首先第二步是进行Gamma矫正，（类似于直方图均衡化，夸大灰度图像的区间，一般取值为0.5-0.8，主要是消除强烈光照影响）
公式：Gamma=IMG^gamma ；(gamma=0.8)
（加强理解）对原图像进行指数变换。
3》计算梯度。
这是核心部分，计算图像的X、Y方向的梯度信息。公式如下：
Gx[ i , j ]=img[ i+1, j ]- img[ i-1,j ]
Gy[ i , j ]=img[ i, j+1 ]- img[ i , j-1 ]
然而最终的梯度图像Gimg[ i , j ] 的像素值取X、Y方向梯度的幅值。
Gimg[ i , j ] = （Gx[ i , j ]**2 + Gy[ i , j ]**2）**0.5
4.代码实现：
1》首先展示一下效果图：（总感觉怪怪的！）
HOG特征图
X、Y方向上的梯度图和HOG特征图
代码实现：
import cv2 import numpy as np import matplotlib.pyplot as plt path='./cat1.png' img = cv2.imread(path) gamma = 0.8 Gamma = ((pic/255) ** (1/gamma)) img=cv2.cvtColor(img,cv2.COLOR_RGB2GRAY) Gyimg=img.copy() Gximg=img.copy() Gimg=img.copy() grad_G=[] for i in range(1,img.shape[0]-1): for j in range(1,img.shape[1]-1): Gximg[i,j]=img[i+1,j]-img[i-1,j] Gyimg[i,j]=img[i,j+1]-img[i,j-1] Gimg[i,j]=np.sqrt(Gyimg[i,j]**2+Gximg[i,j]**2) # image=Gyimg+Gximg plt.figure(figsize = (25,10)) plt.subplot(131) plt.imshow( Gximg) plt.subplot(132) plt.imshow(Gyimg) plt.subplot(133) plt.imshow(Gimg) plt.show()#
5.结束：
GAME OVER
如果理解错误，欢迎大家批评，及时纠正小琼的错误哦，真心感谢你的纠正！！！
如果小伙伴梦有疑问欢迎在评论区留言哦！！！
如果感觉不错的话！点个赞呗，不用客气！（O(∩_∩)O哈哈~）
欢迎和小伙伴梦一起学习，共同努力，加油！！！