使用cv2.COLOR_BGR2GRAY或color.rgb2gray作为skimage的hog描述符？

Question

我想训练一个支持向量机，从skimage中提取hog描述符所提取的hog特征。图像有3个通道(RGB-图像)，我想在提取hog特征之前将其转换为灰度。下面是问题所在，当我使用来自OpenCV的以下代码时

img_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

然后我得到了没有标准化的特征，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，这些值似乎被标准化了，因为像素值接近。在0到1之间。

我尝试了这两个版本的hog特征提取，结果是相似的，但不是相同的，当我训练SVMs时，结果也是相似的，但不是相同的。当我用归一化图像训练支持向量机时，精度等都有所提高，但不多。

当我查看skimage hog.html中的以下链接时，我假设在使用HOG描述符之前不需要对图像进行标准化，因为这个链接中的宇航员图像也没有标准化。不过，我还是觉得很困惑。您能否证实或不同意我的假设，即使用OpenCV的代码比使用skimage的代码从rgb转换为灰色更好？

完整的代码：

import cv2
img_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY

或

from skimage import color
img_gray = color.rgb2gray(image)

在此之前

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)

Answer 1

1. 关于灰度输入。如果您使用灰度图像作为输入。转换为浮动或其他方面不会有太大的影响。这是因为如果您查看skimage的实现。您将注意到，如果输入是灰度，则在内部将其转换为浮动图像。请参阅这里的skimage hog实现 如果image.dtype.kind == 'u'：#将uint图像转换为float #，以避免在减去无符号数字图像=image.astype(‘image.astype’)时出现问题
2. 关于正常化。这是因为标准化的作用类似于直方图均衡。有效地拉伸或压缩动态范围，使您的图像内容得到增强。这就是你观察这种行为的原因。这是意料之中的。

Answer 2

这是如何在范围0 1内正常化，但确保图像具有浮动数据类型。

img_gray_normalized = cv2.normalize(img_gray , None, alpha=0, beta=1, 
                                   norm_type=cv2.NORM_MINMAX, dtype=cv2.CV_32F)