HOG + SVM 进行图片分类（python）

前言

大家能看到这篇文章，想必对HOG还是有些了解了，那我就不赘述了，其实我自己不太懂，但是还是比刚开始好一些了。下面我的代码是参考这位博主的：点我查看

上面那位博主是用的cifar-10数据集，但是我们的数据集很可能是普通的图片，所以我进行了一些改进。

注意事项：

1. 你的图片必须是正方形，如果需要调整图片大小，建议百度一下，python几行就可以搞定了，最后把图片全部换成宽高相等的。

2. 你图片对应的标签必须是这样的：

   001.jpg 1
   003.jpg 2

   前面是图片名称，后面是对应的类别（类别用数字表示），中间要用空格隔开，每个标签占一行。
   你要准备两个文件，一个是训练用的，一个是测试用的。
   训练样本标签和预测的都是一样的格式
   注意，文件末尾不能有多余的空白行，一行空白的也不能有

3. 你的训练和测试的图片可以放在同一个文件夹下面

4. 你要根据你图片的大小，对这行代码进行一些调整，这个调整需要你先了解hog的知识：

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

   这是我为128x128大小图片设置的提取hog特征的参数，你需要适当改变一些，到时候的效果也不同。

   orientations我是选9或18，即梯度方向的个数

   一般来说，图片越大，pixels_per_cell 和cells_per_block里面的值可以相应变大。

5. 如果你要进行多次，建议你把文件位置的参数写死

   
   #训练集图片的位置
   
   train_image_path = '/home/icelee/Downloads/dataset/small_shixun/'
   
   #测试集图片的位置
   
   test_image_path = '/home/icelee/Downloads/dataset/small_shixun/'
   
   #训练集标签的位置
   
   train_label_path = '/home/icelee/Downloads/dataset/mydata.txt'
   
   #测试集标签的位置
   
   test_label_path = '/home/icelee/Downloads/dataset/test.txt'
   
   #图片大小
   
   size = 128

6. 你需要安装sk-learn库，hog，PIL库等。可能还有一些零碎的库，大家用pip安装就好。

7. 实验都是彩色图片，如果你的图片是纯黑白的，很有可能需要改一下代码，看一下代码注释即可

采用这个测试cifar-10,准确率有50%多一点点（乱猜的准确率是10%），所以效果还是可以的，虽然比不上深度学习。

为了方便大家查看，代码放在了github点我查看