Python skimage.feature.haar_like_feature用法及代碼示例

用法: skimage.feature.haar_like_feature(int_image, r, c, width, height, feature_type=None, feature_coord=None)

計算積分圖像感興趣區域 (ROI) 的Haar-like 特征。

Haar-like 特征已成功用於圖像分類和對象檢測[1]。它已用於[2]中提出的實時人臉檢測算法。

參數：

int_image：(M, N) ndarray

需要計算特征的積分圖像。

r：int

檢測窗口左上角的Row-coordinate。

c：int

檢測窗口左上角的Column-coordinate。

width：int

檢測窗口的寬度。

height：int

檢測窗口的高度。

feature_type：str 或 str 列表或無，可選

要考慮的特征類型：

‘type-2-x’：沿 x 軸變化的 2 個矩形；
‘type-2-y’：沿 y 軸變化的 2 個矩形；
‘type-3-x’：沿 x 軸變化的 3 個矩形；
‘type-3-y’：沿 y 軸變化的 3 個矩形；
‘type-4’：沿 x 和 y 軸變化的 4 個矩形。

默認情況下，所有特征都被提取。

如果與feature_coord一起使用，它應該對應於每個關聯坐標特征的特征類型。

feature_coord：元組列表的 ndarray 或無，可選

要提取的坐標數組。當您隻想重新計算特征的子集時，這很有用。在這種情況下feature_type需要是一個包含每個特征類型的數組，由返回skimage.feature.haar_like_feature_coord.默認情況下，計算所有坐標。

haar_features：(n_features,) int 的 ndarray 或浮點數: 產生Haar-like 特征。每個值等於正負矩形之和的減法。數據類型取決於int_image的數據類型：當int_image的數據類型為uint或int時為int，當int_image的數據類型為float時為float。

注意：

並行提取這些特征時，請注意後端的選擇(即多處理與線程)將對性能產生影響。經驗法則如下：在為圖像中所有可能的 ROI 提取特征時使用多處理；在為有限數量的 ROI 提取特定位置的特征時使用線程。參考例子使用Haar-like特征說明符進行人臉分類以獲得更多見解。

參考：

1: https://en.wikipedia.org/wiki/Haar-like_feature
2: Oren, M., Papageorgiou, C., Sinha, P., Osuna, E., & Poggio, T. (1997, June). Pedestrian detection using wavelet templates. In Computer Vision and Pattern Recognition, 1997. Proceedings., 1997 IEEE Computer Society Conference on (pp. 193-199). IEEE. http://tinyurl.com/y6ulxfta DOI:10.1109/CVPR.1997.609319
3: Viola, Paul, and Michael J. Jones. “Robust real-time face detection.” International journal of computer vision 57.2 (2004): 137-154. https://www.merl.com/publications/docs/TR2004-043.pdf DOI:10.1109/CVPR.2001.990517

例子：

>>> import numpy as np
>>> from skimage.transform import integral_image
>>> from skimage.feature import haar_like_feature
>>> img = np.ones((5, 5), dtype=np.uint8)
>>> img_ii = integral_image(img)
>>> feature = haar_like_feature(img_ii, 0, 0, 5, 5, 'type-3-x')
>>> feature
array([-1, -2, -3, -4, -5, -1, -2, -3, -4, -5, -1, -2, -3, -4, -5, -1, -2,
       -3, -4, -1, -2, -3, -4, -1, -2, -3, -4, -1, -2, -3, -1, -2, -3, -1,
       -2, -3, -1, -2, -1, -2, -1, -2, -1, -1, -1])

您可以計算一些預先計算的坐標的特征。

>>> from skimage.feature import haar_like_feature_coord
>>> feature_coord, feature_type = zip(
...     *[haar_like_feature_coord(5, 5, feat_t)
...       for feat_t in ('type-2-x', 'type-3-x')])
>>> # only select one feature over two
>>> feature_coord = np.concatenate([x[::2] for x in feature_coord])
>>> feature_type = np.concatenate([x[::2] for x in feature_type])
>>> feature = haar_like_feature(img_ii, 0, 0, 5, 5,
...                             feature_type=feature_type,
...                             feature_coord=feature_coord)
>>> feature
array([ 0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,
        0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0,
        0,  0,  0,  0,  0,  0,  0,  0,  0,  0,  0, -1, -3, -5, -2, -4, -1,
       -3, -5, -2, -4, -2, -4, -2, -4, -2, -1, -3, -2, -1, -1, -1, -1, -1])

相關用法

注：本文由純淨天空篩選整理自scikit-image.org大神的英文原創作品 skimage.feature.haar_like_feature。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

注意：

參考：

例子：