计算梯度方向（HOG样）精度差

Question

我正在尝试实现基于渐变方向匹配的图像匹配算法。主要算法包含以下步骤：

1. 将图像转换为极坐标：



1. 使用sobel算子计算渐变：

   Xgrad = cv2.Sobel（gr，cv2.CV_64F，1,0，ksize = 5）



Ygrad = cv2.Sobel(gr,cv2.CV_64F,0,1,ksize=3)



3）计算梯度的方向并将其二值化。 ：



现在我可以使用最后一个功能图来比较图像，而忽略旋转和小变化。

但是我发现这个算法可以通过旋转来检测相同图像的旋转。我用圆圈建立了一个测试图像来测试这个算法：



并将其旋转至10 Grads



这里是极地转换：





和渐变方向遮罩：正如你在这里已经在渐变矩阵上产生了很多噪音。它打破了匹配的算法。



并且它是最好的通过差异掩码：整行区域被标记为不匹配。在不同的步骤上的小高斯模糊根本没有帮助。我不知道为什么。



更新

渐变计算：

gx = cv2.Sobel(gr,cv2.CV_64F,1,0,ksize=1)
gy = cv2.Sobel(gr,cv2.CV_64F,0,1,ksize=1)
blurredgx = cv2.GaussianBlur(gx,(11,3),1)
blurredgy = cv2.GaussianBlur(gy,(11,3),1)
magnitude, angle = cv2.cartToPolar(blurredgx, blurredgy)

Answer 1

您能否解释一下您如何计算渐变方向？我相信你已经对每个4x4窗口进行了分组，并计算了每个窗口内渐变的方向。但是使用的索贝尔算子尺寸为5x5。这显然会导致一些重叠。你能解释一下吗？