如何基于SLIC超像素与HOG图像获取各超像素的HOG描述符？

嘿，我来帮你搞定这个问题！你已经完成了HOG特征提取和SLIC超像素分割，现在只需要把两者结合起来，就能为每个超像素计算对应的HOG描述符。下面是具体的实现思路和代码：

核心思路 #

先明确几个关键对应关系：

• segments_slic是224×224的数组，每个元素代表对应原图像像素所属的超像素标签；
• hog_image对应的cell级HOG特征是14×14×8的结构（因为你设置了pixels_per_cell=(16,16)，224÷16=14，每个cell包含8个方向的HOG值）；
• 我们需要把原图像中每个超像素包含的所有像素，映射到对应的HOG cell，再对每个超像素内的所有cell的HOG特征进行聚合（这里用平均作为示例，你也可以根据需求换成求和、最大值等方式）。

实现代码 #

import numpy as np
from skimage.feature import hog
from skimage.segmentation import slic
from skimage.color import rgb2gray

# 模拟输入（假设image是加载好的224×224×3 RGB图像）
image = np.random.rand(224, 224, 3)

# 计算HOG特征（获取结构化的cell级特征）
gray_image = rgb2gray(image)
# 设置feature_vector=False，得到未扁平化的cell级HOG特征
hog_features = hog(
    gray_image,
    orientations=8,
    pixels_per_cell=(16, 16),
    cells_per_block=(1, 1),
    feature_vector=False
)
# 重塑为(14,14,8)的简洁结构
hog_features = hog_features.reshape(14, 14, 8)

# 执行SLIC超像素分割（设置n_segments=100匹配预期输出）
segments_slic = slic(image, n_segments=100, compactness=0.01, sigma=1)
num_superpixels = len(np.unique(segments_slic))

# 定义生成超像素HOG描述符的函数
def hog_superpixels(segments, hog_cells):
    img_h, img_w = segments.shape
    cell_h, cell_w, num_orient = hog_cells.shape
    # 计算每个HOG cell对应的原图像像素块尺寸
    cell_size = img_h // cell_h  # 这里是16
    
    # 初始化超像素描述符数组
    superpixel_descs = np.zeros((num_superpixels, num_orient))
    
    # 遍历每个超像素标签
    for sp_label in np.unique(segments):
        # 获取当前超像素的所有像素坐标
        y_coords, x_coords = np.where(segments == sp_label)
        # 将像素坐标转换为对应的HOG cell坐标
        cell_y = y_coords // cell_size
        cell_x = x_coords // cell_size
        # 提取这些cell对应的HOG特征
        sp_hog_vals = hog_cells[cell_y, cell_x, :]
        # 用平均聚合得到超像素的HOG描述符
        superpixel_descs[sp_label] = np.mean(sp_hog_vals, axis=0)
    
    return superpixel_descs

# 调用函数得到结果
superpixels_descriptors = hog_superpixels(segments_slic, hog_features)
print(superpixels_descriptors.shape)  # 输出：(100, 8)，符合预期

关键细节说明 #

1. HOG特征结构化处理：通过feature_vector=False获取未扁平化的cell级HOG特征，重塑后更方便按cell索引操作；
2. 坐标映射逻辑：原图像像素坐标整除cell尺寸（16），就能得到对应的HOG cell位置；
3. 特征聚合方式：示例用了平均值，你可以根据任务需求替换成求和、最大值等，调整np.mean为对应的函数即可。

内容的提问来源于stack exchange，提问作者eric lardon