为什么'；s Python'；s Hog输出（scikit图像）不同于MATLAB'；s猪（vlfeat）？

我有一段MATLAB代码，它从图像中提取91x91像素块，并提取其特征向量。我想用Python重写这个函数。我一直在努力寻找如何在Python中获得与在MATLAB中相同的HOG返回值，但失败了。如果你能提供任何帮助，我将不胜感激

MATLAB代码中使用了VLFeat库（），我正在Python（）中使用scikit图像

在Matlab中，输入“im2single（patch）”是一个91*91的数组，而Hog的返回数据类型是4*4*16 single。应用Hog时，单元格大小为23，方向数为4

     hog = vl_hog(im2single(patch),23, 'variant', 'dalaltriggs', 'numOrientations',4) ;

返回的数据为4*4*16单，可以如下形式显示：

     val(:,:,1) =

     0         0         0         0
     0         0         0         0
     0    0.2000    0.2000    0.0083
     0    0.2000    0.2000    0.0317

     ....

     val(:,:,16) =

     0         0         0         0
     0         0         0         0
     0         0    0.0526    0.0142
     0         0    0.2000    0.2000

然后手动将结果展平为256*1的特征向量。总之，在91×91像素块中，提取256×1特征向量。现在我想在Python中得到同样的结果

在我的Python代码中，我尝试使用相同的单元格大小和方向数来应用HOG

我将面片的大小附加到92*92，因此面片大小是单元格大小的整数倍。输入数组现在称为“重新匹配”。但是，输出“tc”是一个64*1数组（梯度直方图被展平为特征向量）

然后我查看了Skimage的源代码

    orientation_histogram = np.zeros((n_cellsy, n_cellsx, orientations))
    orientation_histogram.shape 
    (4, 4, 4)

这里n_cellsx是：x中的细胞数，n_cellsy是：y中的细胞数。似乎Hog的输出与方向直方图的维数高度相关

返回值的HoG的实际维度由以下公式确定：

    normalised_blocks = np.zeros((n_blocksy, n_blocksx,by, bx, orientations))

其中n_blocksy，n_blocksy的计算公式为：

    n_blocksx = (n_cellsx - bx) + 1
    n_blocksy = (n_cellsy - by) + 1

n_cellsx是：x中的细胞数，这里的值是4，n_cellsy也是；bx，由每个块的单元格组成，即（1,1）；在这种情况下，方向是4

返回值（归一化的_块）的大小似乎是由4*4*1*1*4（n_blocksy*n_blocksx*x*bx*方向）计算的

我试图更改块大小，但仍然无法获得预期的大小。。。（当块大小为（2,2）时，返回值为144*1数组）

---

有人能帮忙吗。。。如何获得与Matlab中相同的Hog输出？非常感谢。

与scikit图像相比，VLFeat库做了一些不同的事情。VLFeat库返回9个（方向数）对比度不敏感、18个对比度敏感和4个维度，以方形块（包含四个单元格）捕获总体梯度能量。因此，它每个单元输出31个维度。但是，scikit图像处理程序不同，我认为您对它有很好的理解

根据我的经验，如果你想用scikit图像和MATLAB找到相同的HoG向量，你肯定至少应该为scikit图像放入

cells\u per_block=（2,2）

    normalised_blocks = np.zeros((n_blocksy, n_blocksx,by, bx, orientations))

    n_blocksx = (n_cellsx - bx) + 1
    n_blocksy = (n_cellsy - by) + 1