LBP算法的一些讲解

目标检测的图像特征提取之（二）LBP特征

zouxy09@qq.com

http://blog.csdn.net/zouxy09

LBP（Local Binary Pattern，局部二值模式）是一种用来描述图像局部纹理特征的算子；它具有旋转不变性和灰度不变性等显著的优点。它是首先由T. Ojala, M.Pietikäinen, 和D.Harwood 在1994年提出，用于纹理特征提取。而且，提取的特征是图像的局部的纹理特征；

1、LBP特征的描述

原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。如下图所示：

LBP的改进版本：

原始的LBP提出后，研究人员不断对其提出了各种改进和优化。

（1）圆形LBP算子：

基本的 LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征，并达到灰度和旋转不变性的要求，Ojala等对 LBP 算子进行了改进，将 3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的 LBP 算子允许在半径为 R 的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子；

（2）LBP旋转不变模式

从 LBP 的定义可以看出，LBP 算子是灰度不变的，但却不是旋转不变的。图像的旋转就会得到不同的 LBP值。

Maenpaa等人又将 LBP算子进行了扩展，提出了具有旋转不变性的 LBP 算子，即不断旋转圆形邻域得到一系列初始定义的 LBP值，取其最小值作为该邻域的 LBP 值。

图 2.5 给出了求取旋转不变的 LBP 的过程示意图，图中算子下方的数字表示该算子对应的 LBP值，图中所示的 8 种 LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的 LBP值为 15。也就是说，图中的 8种 LBP 模式对应的旋转不变的 LBP模式都是00001111。

（3）LBP等价模式

一个LBP算子可以产生不同的二进制模式，对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生P²种模式。很显然，随着邻域集内采样点数的增加，二进制模式的种类是急剧增加的。例如：5×5邻域内20个采样点，有2²⁰＝1,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时，过多的模式种类对于纹理的表达是不利的。例如，将LBP算子用于纹理分类或人脸识别时，常采用LBP模式的统计直方图来表达图像的信息，而较多的模式种类将使得数据量过大，且直方图过于稀疏。因此，需要对原始的LBP模式进行降维，使得数据量减少的情况下能最好的代表图像的信息。

为了解决二进制模式过多的问题，提高统计性，Ojala提出了采用一种“等价模式”（UniformPattern）来对LBP算子的模式种类进行降维。Ojala等认为，在实际图像中，绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此，Ojala将“等价模式”定义为：当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。如00000000（0次跳变），00000111（只含一次从0到1的跳变），10001111（先由1跳到0，再由0跳到1，共两次跳变）都是等价模式类。除等价模式类以外的模式都归为另一类，称为混合模式类，例如10010111（共四次跳变）（这是我的个人理解，不知道对不对）。

通过这样的改进，二进制模式的种类大大减少，而不会丢失任何信息。模式数量由原来的2^P种减少为 P ( P-1)+2种，其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说，二进制模式由原始的256种减少为58种，这使得特征向量的维数更少，并且可以减少高频噪声带来的影响。

2、LBP特征用于检测的原理

显而易见的是，上述提取的LBP算子在每个像素点都可以得到一个LBP“编码”，那么，对一幅图像（记录的是每个像素点的灰度值）提取其原始的LBP算子之后，得到的原始LBP特征依然是“一幅图片”（记录的是每个像素点的LBP值）。

LBP的应用中，如纹理分类、人脸分析等，一般都不将LBP图谱作为特征向量用于分类识别，而是采用LBP特征谱的统计直方图作为特征向量用于分类识别。

因为，从上面的分析我们可以看出，这个“特征”跟位置信息是紧密相关的。直接对两幅图片提取这种“特征”，并进行判别分析的话，会因为“位置没有对准”而产生很大的误差。后来，研究人员发现，可以将一幅图片划分为若干的子区域，对每个子区域内的每个像素点都提取LBP特征，然后，在每个子区域内建立LBP特征的统计直方图。如此一来，每个子区域，就可以用一个统计直方图来进行描述；整个图片就由若干个统计直方图组成；

例如：一幅100*100像素大小的图片，划分为10*10=100个子区域（可以通过多种方式来划分区域），每个子区域的大小为10*10像素；在每个子区域内的每个像素点，提取其LBP特征，然后，建立统计直方图；这样，这幅图片就有10*10个子区域，也就有了10*10个统计直方图，利用这10*10个统计直方图，就可以描述这幅图片了。之后，我们利用各种相似性度量函数，就可以判断两幅图像之间的相似性了；

3、对LBP特征向量进行提取的步骤

（1）首先将检测窗口划分为16×16的小区域（cell）；

（2）对于每个cell中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值；

（3）然后计算每个cell的直方图，即每个数字（假定是十进制数LBP值）出现的频率；然后对该直方图进行归一化处理。

（4）最后将得到的每个cell的统计直方图进行连接成为一个特征向量，也就是整幅图的LBP纹理特征向量；

然后便可利用SVM或者其他机器学习算法进行分类了。

另外一篇博客上的讲解

http://blog.csdn.net/pi9nc/article/details/26678691
http://blog.csdn.net/dujian996099665/article/details/8886576

#include "lbp.h"

#include <cv.h>

#include <highgui.h>

using namespacecv;

const doubleM_PI = 3.1415926;

//原始的LBP算法实现

template <typename_Tp>

void lbp::OLBP_(constMat&src,Mat& dst) {

dst = Mat::zeros(src.rows-2,src.cols-2,CV_8UC1);

for(inti=1;i<src.rows-1;i++) {

for(intj=1;j<src.cols-1;j++) {

_Tp center = src.at<_Tp>(i,j);

unsigned char code = 0;

code |= (src.at<_Tp>(i-1,j-1) > center)<< 7;

code |= (src.at<_Tp>(i-1,j) > center)<< 6;

code|= (src.at<_Tp>(i-1,j+1) > center)<< 5;

code|= (src.at<_Tp>(i,j+1) > center)<< 4;

code|= (src.at<_Tp>(i+1,j+1) > center)<< 3;

code |= (src.at<_Tp>(i+1,j) > center) << 2;

code|= (src.at<_Tp>(i+1,j-1) > center)<< 1;

code |= (src.at<_Tp>(i,j-1) > center) << 0;

dst.at<unsignedchar>(i-1,j-1) =code;

}

//LBP的改进版本

template <typename _Tp>

void lbp::ELBP_(constMat& src, Mat& dst,int radius,int neighbors) {

neighbors = max(min(neighbors,31),1); // set bounds...

// Note:alternatively you can switch to the new OpenCV Mat_

// typesystem to define an unsigned int matrix... I am probably

// mistakenhere, but I didn't see an unsigned int representation

// inOpenCV's classic typesystem...

dst = Mat::zeros(src.rows-2*radius, src.cols-2*radius, CV_32SC1);

for(int n=0; n<neighbors; n++) {

//sample points

floatx = static_cast<float>(radius)* cos(2.0*M_PI*n/static_cast<float>(neighbors));

floaty = static_cast<float>(radius)* -sin(2.0*M_PI*n/static_cast<float>(neighbors));

//relative indices

intfx = static_cast<int>(floor(x));

intfy = static_cast<int>(floor(y));

int cx = static_cast<int>(ceil(x));

intcy = static_cast<int>(ceil(y));

//fractional part

floatty = y - fy;

floattx = x - fx;

//set interpolation weights

float w1 =(1 - tx) * (1 - ty);

floatw2 = tx * (1 - ty);

floatw3 = (1 - tx) * ty;

floatw4 = tx * ty;

//iterate through your data

for(int i=radius; i < src.rows-radius;i++) {

for(int j=radius;j <src.cols-radius;j++) {

float t = w1*src.at<_Tp>(i+fy,j+fx) +w2*src.at<_Tp>(i+fy,j+cx) + w3*src.at<_Tp>(i+cy,j+fx) +w4*src.at<_Tp>(i+cy,j+cx);

// we are dealing with floating point precision, so addsome little tolerance

dst.at<float>(i-radius,j-radius)+= ((t > src.at<_Tp>(i,j)) && (abs(t-src.at<_Tp>(i,j))> std::numeric_limits<float>::epsilon()))<< n;

// dst.at<unsigned int>(i-radius,j-radius) += ((t >src.at<_Tp>(i,j)) && (abs(t-src.at<_Tp>(i,j)) >std::numeric_limits<float>::epsilon())) << n;

}

template <typename _Tp>

void lbp::VARLBP_(constMat& src, Mat& dst,int radius,int neighbors) {

max(min(neighbors,31),1); // set bounds

dst = Mat::zeros(src.rows-2*radius,src.cols-2*radius, CV_32FC1);//! result

// allocatesome memory for temporary on-line variance calculations

Mat _mean = Mat::zeros(src.rows,src.cols, CV_32FC1);

Mat _delta = Mat::zeros(src.rows,src.cols, CV_32FC1);

Mat _m2 = Mat::zeros(src.rows,src.cols, CV_32FC1);

for(int n=0;n<neighbors; n++) {

//sample points

floatx = static_cast<float>(radius)* cos(2.0*M_PI*n/static_cast<float>(neighbors));

floaty = static_cast<float>(radius)* -sin(2.0*M_PI*n/static_cast<float>(neighbors));

//relative indices

intfx = static_cast<int>(floor(x));

intfy = static_cast<int>(floor(y));

intcx = static_cast<int>(ceil(x));

intcy = static_cast<int>(ceil(y));

//fractional part

floatty = y - fy;

floattx = x - fx;

//set interpolation weights

floatw1 = (1 - tx) * (1 - ty);

floatw2 = tx * (1 - ty);

floatw3 = (1 - tx) * ty;

floatw4 = tx * ty;

//iterate through your data

for(int i=radius; i < src.rows-radius;i++) {

for(int j=radius;j < src.cols-radius;j++){

float t = w1*src.at<_Tp>(i+fy,j+fx) +w2*src.at<_Tp>(i+fy,j+cx) + w3*src.at<_Tp>(i+cy,j+fx) +w4*src.at<_Tp>(i+cy,j+cx);

_delta.at<float>(i,j) = t - _mean.at<float>(i,j);

_mean.at<float>(i,j) = (_mean.at<float>(i,j) + (_delta.at<float>(i,j)/ (1.0*(n+1))));// i am a bit paranoid

_m2.at<float>(i,j) = _m2.at<float>(i,j)+ _delta.at<float>(i,j) * (t -_mean.at<float>(i,j));

}

// calculateresult

for(int i = radius; i < src.rows-radius; i++) {

for(int j = radius; j < src.cols-radius; j++) {

dst.at<float>(i-radius, j-radius) = _m2.at<float>(i,j) / (1.0*(neighbors-1));

}

LBP算法的一些讲解相关推荐

OpenCV中基于LBP算法的人脸检测测试代码
下面是OpenCV 3.3中基于CascadeClassifier类的LBP算法实现的人脸检测,从结果上看,不如其它开源库效果好,如libfacedetection,可参考 https://blog. ...
python opencv 人脸比对_Python3.5+openCv在Windows下利用LBP算法进行人脸识别并匹配
之前的人脸识别匹配需要大量图片进行建模,然后通过概率匹配,结果不是很准确,同时也不符合一般需求.一般需求是人员通过摄像头拍摄一张照片,然后将照片保存进行命名,之后如果再次通过摄像头进行验证时候,通过算 ...
python分割数字_对python数据切割归并算法的实例讲解
当一个 .txt 文件的数据过于庞大,此时想要对数据进行排序就需要先将数据进行切割,然后通过归并排序,最终实现对整体数据的排序.要实现这个过程我们需要进行以下几步:获取总数据行数:根据行数按照自己的需 ...
优化算法求解复杂约束问题策略（以粒子群算法为例讲解求解复杂约束问题的多种策略）
优化算法求解复杂约束问题策略(以粒子群算法为例讲解求解复杂约束问题的多种策略)python实现整个代码文字讲解共17页提示:专栏解锁后,可以查看该专栏所有文章. 文章目录策略1:在位置更 ...
图像特征提取与描述_角点特征04：LBP算法+HOG特征算子
1.LBP算法 LBP(Local Binary Pattern)指局部二值模式,是一种用来描述图像局部特征的算子,LBP特征具有灰度不变性和旋转不变性等显著优点.它是由T. Ojala, M.Pie ...
LBP算法的研究及其实现
原文:http://blog.csdn.net/dujian996099665/article/details/8886576 一,原始LBP算法 LBP的基本思想是对图像的像素和它局部周围像素进行对 ...
opencv学习之（三）-LBP算法的研究及其实现
一,原始LBP算法 LBP的基本思想是对图像的像素和它局部周围像素进行对比后的结果进行求和.把这个像素作为中心,对相邻像素进行阈值比较.如果中心像素的亮度大于等于他的相邻像素,把他标记为1,否则标记为 ...
基于lbp算法的特征提取表情识别和疲劳监测系统 matlab
基于lbp算法的特征提取表情识别和疲劳监测系统 matlab 情图片进行LPB+LPQ特征提取,最后放入支持向量机中分类训练,统计出训练和测试的精度 function varargout = uns ...
【图像分类】【深度学习】ViT算法Pytorch代码讲解
[图像分类][深度学习]ViT算法Pytorch代码讲解文章目录 [图像分类][深度学习]ViT算法Pytorch代码讲解前言 ViT(Vision Transformer)讲解 patch em ...

LBP算法的一些讲解

另外一篇博客上的讲解

LBP算法的一些讲解相关推荐

最新文章

热门文章