梯度直方图(HOG)用于图像多分类和图像推荐（上）

介绍

机器学习的神奇之处在于，我们对原理的概念和思路理解得越多，它就变得越容易。在本文中，我们将研究在图像分类和图像推荐中使用定向梯度直方图的方法。

数据集

来源:Kaggle Fashion图像分类数据集(Small)

https://www.kaggle.com/paramaggarwal/fashion-product-images-small

数据集有主类别、子类别、性别、季节和每个图像的标签。目的是将数据集用于图像分类和推荐。让我们先看看数据分布!

每个列的惟一值。对于每个性别，masterCategory、subCategory、gender、usage和season列使用KNN分类器进行图像分类，然后使用K个最近邻数据进行图像推荐

这个设计的目标是提出一个解决方案，将所有的类别分为不同的类(类是在下面的图表中提到的分布)。然后构建推荐引擎，根据用户选择的测试图像，给出最匹配的n幅图像。

每列下不同类的数据(只显示前10个)

分类和推荐是建立在一种局部特征提取和描述方法上的，即定向梯度直方图(Histogram of Oriented Gradients, HOG)。使用不同的特征检测器(例如:SIFT, Shi-Thomas, ORB, FAST等)，我们可以定位特征，并在多幅图像之间匹配提取的特征。但是为了使用这些信息来训练一个模型，我们需要提取一维向量形式的特征(如[x1,x2，..，xn])。HOG(“Histogram of Oriented Gradients for Human Detection\”——Dalal & Triggs, 2005)的想法就是基于同样的原理。下面让我们看看HOG是如何工作的，以及如何在Python中配置它。

注意:HOG最初是由Dalal & Triggs(2005)发明的，他们使用特定的参数来获得最佳的人体检测性能。但是，这些参数不是通用的，并且根据图像类型的不同而变化。

计算HOG的步骤:

HOG是一种将图像转换为梯度直方图，然后使用直方图制作用于训练模型的一维矩阵的技术。

在我们计算之前，让我们先导入相关库!

importosimportnumpyasnpimportpandasaspdimportcv2ascvfrompathlibimportPathimportwarningsfromskimage.featureimporthogimporttqdmfromsklearn.neighborsimportKNeighborsClassifierfromsklearnimportmetricsfromsklearn.model_selectionimporttrain_test_splitfromsklearn.preprocessingimportMinMaxScalerfromsklearn.neighborsimportNearestNeighborswarnings.filterwarnings("ignore")
pd.options.display.max_columns=None

然后读取图片

all_images= []
#labels= []defload_image(ids,path=image_folder):
img=cv.imread(image_folder+ids+'.jpg',cv.IMREAD_GRAYSCALE) #loadatgrayscale#img=cv.cvtColor(img, cv.COLOR_BGR2GRAY) #converttograyscalereturnimg,ids#20ksamplesweretakenformodelingforidsintqdm(list(styles.id)[:20000]):
img,ids=load_image(str(ids))
ifimgisnotNone:
all_images.append([img,int(ids)])
#labels.append(ids)
len(all_images)

现在让我们考虑下面的图像，

让我们假设红色的方框用8x8矩阵表示，每个单元格中都有数字。在进行图像特征工程之前，建议做以下几件事:

1. Resize:将所有图像调整为统一形状，以避免任何与计算相关的隐患。在本例中，所有图像的形状统一(60x80)。如果您想执行调整大小操作，请参阅以下内容:
   

defresize_image(img,ids):
returncv.resize(img, (60, 80),interpolation=cv.INTER_LINEAR)
all_images_resized= [[resize_image(x,y),y] forx,yinall_images]
len(all_images_resized)