使用 cv2.COLOR_BGR2GRAY 或 color.rgb2gray 作为 skimage 的猪描述符？

Question

我想用由来自 skimage 的猪描述符。这些图像有 3 个通道（RGB 图像），我想在提取 hog 特征之前将其转换为灰度。这就是问题所在，当我使用 OpenCV

中的以下代码时

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

然后我得到未归一化的特征，这意味着像素值仍在 0 到 255 之间。

当我使用 Skimage 中的代码时

img_gray = color.rgb2gray(image)

然后这些值似乎被归一化了，因为像素值大约是。介于 0 和 1 之间。

我尝试了两种版本的 hog 特征提取，结果相似但不相同，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，准确性等会好一点，但不会好很多。

当我从 skimage https://scikit-image.org/docs/dev/auto_examples/features_detection/plot_hog.html 查看以下 link 时，我假设在使用 HOG 描述符之前不需要对图像进行归一化，因为这个 [=35] 中的宇航员图像=] 也没有规范化。尽管如此，我还是觉得很困惑。您能否确认或不同意我的假设，即使用 OpenCV 的代码比使用 skimage 的代码更好地从 rgb 转换为灰色？

完整代码：

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

或

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)

Answer 1

这是在 [ 0 1] 范围内进行归一化的方法，但要确保图像具有浮点数据类型。

img_gray_normalized = cv2.normalize(img_gray , None, alpha=0, beta=1, 
                                   norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F)

Answer 2

关于灰度输入。如果您使用灰度图像作为输入。转换为浮点数或其他方式不会有很大的作用。这是因为如果你窥视一下 skimage 的实现。您会注意到，如果输入是灰度图像，它会在内部转换为浮点图像。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。这是提高你的生猪输出的原因是因为规范化就像直方图均衡一样。有效地拉伸或压缩动态范围，使您的图像内容得到增强。这就是您观察到这种行为的原因。符合预期。

使用 cv2.COLOR_BGR2GRAY 或 color.rgb2gray 作为 skimage 的猪描述符？

Using cv2.COLOR_BGR2GRAY or color.rgb2gray for hog descriptor from skimage?

opencv

normalization

svm

feature-extraction

scikit-image