我想用SVM提取的生猪特征训练SVMskimage的猪描述符。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,当我从OpenCV使用以下代码时>
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)
然后,这些值似乎已归一化,因为像素值约为。在0和1之间。
我尝试了两个版本的生猪特征提取,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,精度等要好一些,但不多。
[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被归一化。不过,我仍然感到困惑。您能否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
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)
我想训练一个SVM,其具有由生猪描述符从skimage中提取的生猪特征。图像具有3个通道(RGB图像),我想在提取猪特征之前将其转换为灰度。...
这是在范围[0 1]中进行归一化的方法,但要确保图像具有浮点数据类型。
关于灰度输入。如果您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浮动图像。参见skimage hog implementation here