定向梯度直方图vs边缘定位直方图
我不清楚HOG和EOH之间的区别。 生猪基于图像衍生物EOH基于边缘方向。 看起来HOG也以某种方式代表了EOH。
请给我一些关于EOH与HOG不同的解释，以及EOH与HOG相比的优势。 在什么情况下我们可以使用EOH与HOG相比？
我认为主要区别在于，对于HOG，实际梯度方向被计算并且然后装仓，其中对于EOH，边缘定向通过搜索一组边缘滤波器内核的最大响应来评估。 所以你可以说HOG在梯度计算之后进行分箱，EOH直接计算分箱中的梯度。 根据您想要的垃圾箱数量，其中一个会比另一个更快。
在EOH中，通常对待明暗边缘和暗边边缘的方向相同，因此方位在0到π的范围内，其中HOG中的方格通常跨越整个2 * pi。 但是，您也可以轻松制作EOH。
虽然，我不认为它们有一个独特的定义，并且细节可以在许多层次上变化（例如，如何计算方位（或方向梯度）），关键是由边缘方向直方图构建的直方图仅考虑考虑对应于边缘的像素的梯度（其依次用其它方法计算，例如canny边缘），而面向倾斜的直方图考虑每个像素的所有梯度。
我可能是错的，但这就是我实施EOH的方式：http://robertour.com/2012/01/26/edge-orientation-histograms-in-global-and-local-features/
链接地址: http://www.djcxy.com/p/10983.html上一篇: Histogram of Oriented Gradients vs Edge Orientation Histograms