编号：A358
大小：6.7M
环境：Python3.9、OpenCV4.5、PyCharm2020
简介：基于Python使用HOG+SVM进行图像分类
hog_svm.py是用于训练的，通过提取图片的hog特征，然后通过SVM进行训练得到model，最后通过model进行预测,将结果写入result.txt文件之中。

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128×128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。

运行展示

配套文件

我们提供完整项目文件清单如下：
文件目录
├ 1.项目源码
├ 2.运行截图
└ 3.演示视频