Hog 特徵比較直觀好懂，本質是提取圖片內的梯度統計資訊。

其提取圖片特徵的層次，可以分為：圖片／Block／cell　這三個層次，每個層次有下屬層次的多個單位構成，例如圖片被分為Ｎ個block　具體是採用滑動視窗，每個ｂlock又被分為多個cell，其中cell　作為最底層是提取梯度資訊的最基本單位。統計ｃｅｌｌ內所有畫素的梯度方向資訊並將其劃分到預設的梯度方向範圍內，便形成了基本的梯度直方圖資訊。接下來就是一個逆向的組合過程，即，底層ｃｅｌｌ的梯度資訊不斷地組合在一起（還有歸一化）形成ｂｌｏｃｋ的特徵，ｂｌｏｃｋ的特徵在組合在一起就成了ｉｍａｇｅ的ｆｅａｔｕｒｅ，這裡說的組合值得是拼接的意思。歸一化目的是去除光噪聲的影響，這個好理解，因為均勻光源對圖片的影響是加性的，並不改變相對大小，引起歸一化是起一點抗燥作用的。

扯原理太多了，這裡主要是說明我使用scikit-image 中　ＨＯＧ函式的心得。

scikit-image 裡面的hog函式是這樣的：

ft.hog(image, orientations=orientations, pixels_per_cell=pixels_per_cell, transform_sqrt=is_transform, feature_vector=is_feature_vector,
cells_per_block=cells_per_block, visualise=is_visualise)

其中的引數名稱我已寫的直觀易懂了。問題來了，希望大家注意以下幾點：

１整個函式的引數使用的是類似opencv 的引數格式，即【寬度，高度】而非python numpy 中的[行數，列數], 因此pixels_per_cell= [ 畫素寬度，畫素高度], cell_per_block= [ 寬度，高度】

２cell 尺寸和block尺寸問題:  

        cell尺寸的倍數只能比block小，不能比之大，否則就會越界，返回空列表。
        例如：mg=[11,11], pixel_per_cell=[5,5], cell_per_block= [2,2] 是可以的。將pixel_per_cell設定為　[6,6]其他不變，就是不行。
        想想也奇怪，真是寧可漏掉都不能重疊。

３函式使用中引數設定錯誤，不會報錯，只會給你返回一個空列表。這點最令人無法忍受，一點都不友好。