我想用SVM提取的生猪特征训练SVM
skimage的猪描述符。
这些图像具有3个通道(RGB图像),我想在提取猪的特征之前将其转换为灰度。
这是问题,当我使用OpenCV中的以下代码时

img_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

然后我得到的特征没有被归一化,这意味着像素值仍然在0到255之间。

当我使用Skimage的代码时
img_gray = color.rgb2gray(image)

则这些值似乎已归一化,因为像素值约为。在0和1之间。

我尝试了这两个版本进行生猪特征提取,结果相似但不相同,而当我训练SVM时,结果也相似但不相同。当我用归一化图像训练SVM时,精度等要好一些,但并没有很多。

当我从skimage https://scikit-image.org/docs/dev/auto_examples/features_detection/plot_hog.html查看以下链接时,我认为在使用HOG描述符之前不需要对图像进行归一化,因为该链接中的宇航员图像也未归一化。
不过,我仍然感到困惑。
您是否可以确认或不同意我的假设,即使用OpenCV的代码比将skimage的代码从rgb转换为grey更好?

完整代码:
import cv2
img_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY

要么
from skimage import color
img_gray = color.rgb2gray(image)

之前
from skimage import feature
feat = feature.hog(img_gray, orientations=12, pixels_per_cell=(5,5), cells_per_block=(2,2), transform_sqrt=True, visualize=False)

最佳答案

  • 关于灰度输入。如果使用灰度图像作为输入。转换为float或其他方式不会
    有很大的作用。这是因为如果您窥视skimage的实现。
    您会注意到,如果输入为灰度,则它将在内部转换为 float 图像。
    参见skimage hog implementation here
     if image.dtype.kind == 'u':
            # convert uint image to float
            # to avoid problems with subtracting unsigned numbers
            image = image.astype('float')
    
  • 关于规范化。改善生猪产量的原因是因为标准化
    就像直方图均衡一样。有效地拉伸(stretch)或压缩动态范围,以便
    您的图像内容得到了增强。这就是您观察此行为的原因。可以预料的。
  • 10-06 08:40