计算梯度方向（HOG 样）精度差

Question

我正在尝试实现基于梯度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 算子计算梯度：

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

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

3) 计算梯度方向并将其二值化。 ：

现在我可以比较使用最后一个特征图的图像，而忽略旋转和微小的变化。

但是我发现这个算法检测到同一个图像的旋转，而旋转是相当纯粹的。我已经用圆圈构建了一个测试图像来测试这个算法：

并将其旋转到 10 个 grads

这里是极性转换：

和梯度方向蒙版：正如你在这里看到的，梯度矩阵上已经有很多噪音了。它破坏了匹配算法。

最好的传递差异掩码：整行区域被标记为不匹配。不同步骤上的小高斯模糊根本没有帮助。我不知道为什么。

更新：

梯度计算：

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

您能否解释一下您是如何计算梯度方向的？我相信您已经对每个 4x4 窗口进行了分组，并计算了每个此类窗口内的渐变方向。但是使用的 sobel 算子的大小是 5x5。这显然会导致一些重叠。你能解释一下吗？