在scikit-learn中如何处理HOG特征数组以用于分类？

Question

我想从图像中提取HOG功能，以便可以将它们通过分类器（AdaBoost.SAMME尤其是使用scikit-learn：scikit-learn集合中的multiclass Adaboost）。

为此，我需要将图像转换为类似数组的 shape = [n_samples, n_features]

但是从图像中提取HOG特征的输出是一维数组。这是我的代码的相关部分：

tree = io.imread('C:\\Users\\app\\Pictures\\treephoto1.jpg')
type(tree)
print tree.shape, tree.dtype

graytree = color.rgb2gray(tree)
ge = filter.canny(graytree)
fd, hog_image = hog(ge, orientations=8, pixels_per_cell=(16, 16),
                    cells_per_block=(1, 1), visualise=True)

当我检查时fd，它是一个像这样的数组：

让我们以前9行为例，并假设这是hog函数的完整输出，并且从中获得HOG功能的这张图像是训练数据集中的第一张图像。

然后，假设我有一千张训练图像，那么如何将HOG信息表示为X = [n_samples, n_features]？

下面的行X是我可以用作分类器输入的第一行吗？

[1, [0.162, 0.168, 0.250, 0.114, 0.106, 0.044, 0.035, 0.059, 0.200, 0.149]]

将整行HOG值都视为一个功能吗？还是这是错误的？据我了解，培训样本应符合以下格式：

[sample_index, feature_1, feature_2, feature_3, ..., feature_x]

Answer 1

[n_samples, n_features]正如您正确地说的那样，对于scikit学习分类器，数据以形状矩阵的形式表示。不需要样本索引（如果您出于其他目的需要一个样本索引，则不要将其放在要传递给scikit学习的矩阵中）。

以您的示例为例，

samples = [[0.162, 0.168, 0.250, 0.114, 0.106, 0.044, 0.035, 0.059, 0.200, 0.149]]

这是示例的python列表。它包含一个示例，其中列出了您的功能。但是，如果您有大量数字数据，则必须将其连续保存在内存中。这是使用numpy.ndarrays 完成的。将您的一个样本矩阵转换为数组就像

import numpy as np
sample_array = np.array(samples)

让我们继续几个示例。我将多次复制同一副本，但是它们当然会有所不同。同样，这确实应该是一个数组，所以

samples =  np.array(
               [[0.162, 0.168, 0.250, 0.114, 0.106, 0.044, 0.035, 0.059, 0.200, 0.149],
               [0.162, 0.168, 0.250, 0.114, 0.106, 0.044, 0.035, 0.059, 0.200, 0.149],
               [0.162, 0.168, 0.250, 0.114, 0.106, 0.044, 0.035, 0.059, 0.200, 0.149]])

可以将这个样本矩阵输入分类器，通常使用的作用X。