前言

大家能看到這篇文章，想必對HOG還是有些了解了，那我就不贅述了，其實我自己不太懂，但是還是比剛開始好一些了。下面我的代碼是參考這位博主的：點我查看

上面那位博主是用的cifar-10數據集，但是我們的數據集很可能是普通的圖片，所以我進行了一些改進。

注意事項：

你的圖片長寬可以不相等，設置好image_height和image_width即可。
如果圖片大小不相等，可以使用change_size.py，把所有圖片大小resize成一樣的。

你圖片對應的標簽必須是這樣的：

001.jpg 1
003.jpg 2

前面是圖片名稱，后面是對應的類別（類別用數字表示），中間要用空格隔開，每個標簽占一行。
你要準備兩個文件，一個是訓練用的，一個是測試用的。
訓練樣本標簽和預測的都是一樣的格式
大家可以看github上面的實例.(image文件夾)

你的訓練和測試的圖片可以放在同一個文件夾下面，也可以不同，設置好train_image_path和test_image_path即可。

你要根據你圖片的大小，對這行代碼進行一些調整，這個調整需要你先了解hog的知識：

fd = hog(gray, orientations=18, pixels_per_cell=[8,8], cells_per_block=[4,4], visualise=False, transform_sqrt=True)

這是我為128x128大小圖片設置的提取hog特征的參數，你需要適當改變一些，到時候的效果也不同。

orientations我是選9或18，即梯度方向的個數

一般來說，圖片越大，pixels_per_cell?和cells_per_block里面的值可以相應變大。

如果你要進行多次，建議你把文件位置的參數寫死

#訓練集圖片的位置 train_image_path = '/home/icelee/Downloads/dataset/small_shixun/' #測試集圖片的位置 test_image_path = '/home/icelee/Downloads/dataset/small_shixun/' #訓練集標簽的位置 train_label_path = '/home/icelee/Downloads/dataset/mydata.txt' #測試集標簽的位置 test_label_path = '/home/icelee/Downloads/dataset/test.txt' #圖片大小 image_height = 128 image_width = 128

• ?

你需要安裝sk-learn庫，hog，PIL庫等。可能還有一些零碎的庫，大家用pip安裝就好。

實驗都是彩色圖片，如果你的圖片是純黑白的，很有可能需要改一下代碼，看一下代碼注釋即可

采用這個測試cifar-10,準確率有50%多一點點（亂猜的準確率是10%），所以效果還是可以的，雖然比不上深度學習。

為了方便大家查看，代碼放在了github:https://github.com/xiaobingchan/HOG_SVM

可能出現的錯誤

ValueError: Expected 2D array, got 1D array instead: array=[]. Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.
出現上面的錯誤說明沒有正常讀取到圖片，所以請檢查圖片寬高是不是和設置的size一樣，路徑是否正確。更改之后運行程序時，請選擇重新獲取特征。

總結

以上是生活随笔為你收集整理的HOG + SVM 实现图片分类（python3）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。