LBP（Local Binary Pattern，局部二值模式）学习

参考http://blog.csdn.net/xidianzhimeng/article/details/19634573

https://wenku.baidu.com/view/d03494a687c24028905fc34b.html

 

LBP指局部二值模式，英文全称：Local Binary Pattern，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

LBP是一种图像纹理特征提取算法，是一种局部特征，是照片分类和人脸检索研究中采用较多的特征提取算法之一。在图像物体识别领域，常用的特征描述子包括：HOG、SIFT、SURT、Wavelet、Gabor、DCT等，具体选择哪种算子需要根据目标对象决定。人脸识别中，LBP和Gabor是效果较好的两组特征。gabor效果比LBP效果鲁棒，但是LBP运算速度快，编译在嵌入式等平台运行。一般如果条件允许，二者会进行结合，包括定义结合特征（比如LGBP,LGXP等），特征级融合和决策级融合。

特征提取是希望将资料中重要的资讯提取出来，去除杂讯的影响，以提升分类的准确率。不同的特征提取方法有不同的效果，LBP的特性是较能排除光照变化且运算速度快。LBP的核心观念是计算每个像素和周围像素间”相对”的关系。通常光照对图中的物件带来的影响是全局的，也就是说照片中的物体的明暗程度，都往同一个方向改变，可能是变亮或变暗，只是改变的幅度会因为距离光源的远近而有所不同。所以基本上局部相邻(Local)的像素间，受光照影响后数值也许会改变，但是相对大小不会改变。

 

1.原始LBP

LBP特征是根据相邻的像素点与中间相邻点相比的大小确定值为1或0，即如果相邻像素的值大于或等于中间像素的值，则值为1；如果小于则值为1.然后对每个像素点的领域信息进行整合，变为领域个位的数的编码。然后对一个块中所有像素的编码进行直方图的统计，得到LBP特征

 

注意：对于邻域像素顺序的规定并没有明确，默认为水平方向左侧为起始点，逆时针旋转

其公式定义为：

 

 s(x)函数就是计算相邻位置像素与中间位置像素的差值，大于或等于中间值，即x为正数或0时返回1；否则为0。

p即该中间像素依据的邻近像素的个数，如上面的例子p为8，左上角的值对应的十进制值的计算为0*2^(p-1) = 0*2^(8-1) = 0，其下面位置的值为1*2⁰ = 1，最后各个位置计算得到值LBP(x_c,y_c) = 19,即这个中心点(x_c,y_c)的LBP值

 

总结：这个方法可以很好地捕捉到图像中的细节，但是固定的近邻区域对于尺寸变化的编码失效。为了适应不同尺度的纹理特征，将3*3的固定领域扩展到了任意领域，并用圆形代替正方形

 

2.圆形LBP

改进后的LBP算子允许在半径为R的圆形领域有多个像素点

LBP_p^R表示在半径为R的圆内有p个像素点

 

在上面的图像中，第一幅图像的圆半径为1，采样的点为8个；第二幅图像的圆半径为2，采样的点为16个；第三副图像的圆半径为2，采样的点为8个

一般来说，当领域采样点个数相同时，半径越小，图像纹理越精细；当半径相同时，领域采样点个数越少，图像亮度越低，区分度变差。如半径都是3的区域，分别划分为4个和8个采样点，4个采样点只有2⁴种灰度值，区分度肯定没有2⁸种灰度值的好

 

这样子采样点的坐标计算如下：

 

 当近邻点不在图像的坐标上时，其对应的像素值使用双线性插值算法计算，可见最邻近插值算法和双线性插值算法——图像缩放  

 

3.旋转不变性

此时的LBP特征是灰度不变的，但是不是旋转不变的。同一幅图像，进行旋转后，其特征将会有很大的差别，因为像素位置发生了变化。

实现旋转不变形的方法：不断旋转圆形领域得到所有可能的初始定义的LBP值，然后取其中的最小值作为该领域的值

 

 即上图的例子中对应的LBP特征都是00001111，对应的十进制为15

 

4.等价模式（uniform pattern）

一个LBP算子可以产生不同的二进制模式，对于LBP_p^R将会产生2^p种模式。比如3*3领域内有8个点，则有2⁸种模式；7*7领域内则有2³⁶种模式

如此多的二值模式对于信息的提取、识别都是不利的。如果使用这样的LBP模式的统计直方图表示图像的信息，过多的模式种类将使得数据量多大，且直方图过于稀疏

解决办法： 对LBP算子的模式种类进行降维

 

Ojala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）

另一种说法是说其实00000111也算是两次跳变，因为这是个圆形模式，理解即可

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。

 

当然，最后还要加上一种混合模式，所以最后的公式为P*( P-1)+2+1 = P*( P-1)+3，所以对于3×3邻域内8个采样点来说，最终的模式数量为59种

 

通过LBP特征的定义，可见LBP特征对光照变化是鲁棒的，效果如图：

 

 

5.LBPH

LBPH，Local Binary Patterns Histograms，即LBP特征的统计直方图，LBPH将LBP特征与图像的空间信息结合在一起。

计算该统计直方图的步骤如下：

• 计算图像的LBP特征图像，即上面的所说的计算方式，为每个坐标计算其的LBP(x_c,y_c)值
• 然后将整个LBP特征图像进行分块，Opencv中默认将LBP特征图像分成8行8列64块区域
• 然后分别计算每块区域的特征图像的直方图，即统计该区域中所有像素点的LBP(x_c,y_c)值（该值有[0,2^p-1]的2^p种情况，p为采样点个数）的分布情况，假设该区域中有3个点的LBP(x_c,y_c)值为20，则统计该LBP(x_c,y_c)值=20对应的分布值为3。这样最后一个区域就能够得到一个（1*2^p）大小的特征向量，即直方图分布情况。最后将所有区域的直方图结果，即特征向量进行归一化
• 最后将所有区域的特征向量按分块的空间顺序一次排列成一行，形成LBP特征向量，大小为1*（2^p*64），这个特征向量就能够用来表示一张图像了

当采样点数p为8时，如果使用的是原始模式的LBP，对应的LBP(x_c,y_c)值个数为2⁸ = 256，则最后得到的LBP特征向量的维度为256*64 = 16384维；如果使用的是等价模式，则最后的特征向量的维度为59*64=3776维。可以看出，使用等价模式特征，其特征向量的维度大大减少，这意味着使用机器学习方法进行学习的时间将大大减少，而性能上没有受到很大影响

 

最后可以使用卡方来计算两个图像对应的两个直方图的差异：

 

标签：采样,LBP,Binary,特征,Pattern,模式,像素,图像
来源： https://www.cnblogs.com/wanghui-garcia/p/12626925.html