HOG + SVM 实现图片分类（python3）

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. 你的图片长宽可以不相等，设置好image_height和image_width即可。
   如果图片大小不相等，可以使用change_size.py，把所有图片大小resize成一样的。

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
   大家可以看github上面的实例.(image文件夹)

3. 你的训练和测试的图片可以放在同一个文件夹下面，也可以不同，设置好train_image_path和test_image_path即可。

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
   image_height = 128
   image_width = 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:GitHub - xiaobingchan/HOG_SVM: 使用HOG+SVM进行图像分类

可能出现的错误

ValueError: Expected 2D array, got 1D array instead: array=[]. Reshape your data either using array.reshape(-1, 1) if your data has a single feature or array.reshape(1, -1) if it contains a single sample.
出现上面的错误说明没有正常读取到图片，所以请检查图片宽高是不是和设置的size一样，路径是否正确。更改之后运行程序时，请选择重新获取特征。

任何程序错误，以及技术疑问或需要解答的，请添加