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.youkuaiyun.com/zouxy09

 

        LBPLocal 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, D.Harwood 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;

 

1LBP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 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;


2LBP旋转不变模式

       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。

       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  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 LBP 模式对应的旋转不变的 LBP模式都是00001111


3LBP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2201,048,576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10或从01的跳变。因此,Ojala等价模式定义为:当某个LBP所对应的循环二进制数从01或从10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。000000000次跳变),00000111(只含一次从01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2P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。

 

2LBP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.youkuaiyun.com/pi9nc/article/details/26678691
http://blog.youkuaiyun.com/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));

                }

        }

}





评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值