Image processing 图像检索-边缘直方图

我的讲师在

图像检索
的
边缘直方图上有幻灯片，其中他指出必须首先将图像划分为
4x4块
，然后检查
水平、垂直、+45°和-45°方向的边缘
。然后，他指出，这在
14x1直方图中表示。我不知道他是如何决定必须创建
14x1直方图的。是否有人知道他是如何得出这个值的，或者如何创建一个
边缘直方图

谢谢。
您所指的东西叫做定向梯度直方图（HoG）。然而，你的例子的数学结果并不正确。通常，您将选择空间装箱参数（4x4块）。对于每个块，您将计算一些不同方向上的梯度幅值（在您的示例中，只有两个方向）。因此，在每个块中都有
N_{directions}
测量值。将该值乘以块数（16个块），您将看到有
16*N_{directions}
总测量值

要形成直方图，只需将这些测量值连接成一个长向量。只要跟踪将bin/direction组合映射到1-D直方图中的一个槽中的方式，任何进行连接的方法都可以。这种长的连接直方图通常用于机器学习任务，比如训练分类器根据图像的梯度方向识别图像的某些方面

但在你的例子中，教授一定在做一些特别的事情，因为如果你有16个不同的图像块（一个4x4的图像块网格），那么你需要计算每个块不到1个测量值，最终得到整个直方图中总共14个测量值

或者，教授的意思可能是，取[-45，+45]之间的角度范围，然后将其分为14个不同的值：-45，-45+90/14，-45+2*90/14。。。等等

如果这就是教授的意思，那么在这种情况下，你会在一个街区内得到14个定向箱。一旦所有的东西都连接起来，就有一个很长的14*16=224分量向量来描述整个图像

顺便说一句，我已经用Python实现的Gradient直方图做了很多测试，所以您可以看到一些相关的工作。该站点上也有一些示例代码，尽管在中出现了一个更受支持的HoG版本。
当我说只有两个方向时，我是在看你的第一篇文章，你只说+/-45度。显然，在实践中，你会想要比这更多的方向，我在后面澄清了这一点，我说你的教授可能意味着你要选择-45和+45之间的所有方向，并将它们离散成一个方向网格。有两种不同的方法。有时人们会离散整个方向圈，有时他们只离散半个方向圈。通常，你只关心绝对方向，符号并不重要。至于“频率”轴，在这种情况下，你将计算一个全新的“图像”，其中每个“像素”包含该像素处梯度的大小。如果（i，j）处的像素具有梯度幅度M和梯度方向D，那么您可以计算出方向D所属的角度单元（基于您选择的离散化角度网格），并在直方图的该槽中添加幅度M。因此“频率”一个给定的像素对直方图的贡献是该像素处的梯度大小。实际上，大多数人采用0到pi之间的角度，并将其离散为11或15个像素。然后，对于每个图像块，它们循环通过这个角度列表，将该块中的像素的总梯度大小相加，这些像素构成特定的角度区域，然后将该总和插入该块的直方图中。他们对下一个块重复这个过程，以此类推，得到几个这样的直方图。然后，当所有这些都说了又做了，他们只是将直方图连接在一起，形成一个长直方图作为描述符。如果你编写代码来做这件事，它通常会接受图像的任何一块作为输入，然后它会将该块分块，将角度分块，并计算上述长直方图作为输出。通过这种方式，您可以获得任何给定图像补丁的描述符。例如，如果要询问两个图像块是否彼此相似，可以计算它们的描述符之间的距离。或者你可以用+1对某个物体的图像进行手动分类，并训练分类器根据其描述符识别这些图像。是的，你是对的。每个块将产生一个具有不同方向分量的4矢量
[d1，d2，d3，d4]
，其中d1为左至右，d2为右上至左下，依此类推。在d1分量中，将在该块中存储指向该方向的梯度幅值之和。对每个方向重复上述步骤，就得到了一个块级直方图。对每个块重复所有这些操作，就得到了16个不同的块级直方图。将它们叠加在一起，您将得到一个16*4=64个分量长的图像级直方图。