LBP中等价模式即Uniform Pattern为什么是P*（P-1）+2维向量？

最新推荐文章于 2023-04-24 13:01:29 发布
最新推荐文章于 2023-04-24 13:01:29 发布
阅读量4k 收藏 11
点赞数
CC 4.0 BY-SA版权
分类专栏： 图像处理 文章标签： LBP 等价模式 维数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/sad_123_happy/article/details/9087989
LBP算子产生大量二进制模式，导致计算和存储问题。Ojala提出等价模式概念，限制跳变次数不超过两次。LBP(1,8)的等价模式数为58，由P*(P-1)+2计算得出，考虑了跳变次数为0和2的情况，连续0的出现必须是连续的。通过直观统计方法验证了这一规律。" 122604599,9356127,使用frp实现内网穿透,"['网络', '内网穿透', '远程访问', '服务器配置']

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

       考察LBP算子的定义可以发现，一个LBP算子可以产生不同的二进制模式，对于LBP(R，P)将会产生2P种模式。显然，随着领域集内采样点数的增加，二进制模式的种类是急剧增加的。如3×3领域内8个采样点，则得到28种二进制模式；5×5领域内20个采样点，有220=1,048,576种二进制模式；7×7的领域内有36个采样点，则二进制模式的种类达到236，约为687×1010。显然，如此多的二值模式无论对于纹理的提取还是纹理的识别、分类及信息的存取都是不利的。在实际应用中，不仅要求所采用的算子尽量简单，同时也要求计算速度足够快、数据存储量尽量小。而随着模式种类的增加，计算量和数据量也会急剧增加，同时，过多的模式种类对于纹理的表达也是不利的。 

    &

最低0.47元/天 解锁文章

200万优质内容无限畅学
局部二值模式（LBP）：纹理分析的利器
AI天才研究院
08-17 976
局部二值模式（LBP）：纹理分析的利器 作者：禅与计算机程序设计艺术 1. 背景介绍 1.1 计算机视觉中的纹理分析 纹理是图像中一种重要的视觉特征，它描述了物体表面颜色和亮度的空间变化模式。在计算机视觉领域，纹
基于多尺度等价模式LBP的人脸表情识别_叶棪.caj
12-09
基于多尺度等价模式LBP的人脸表情识别_叶
LBP中等价模式为什么是P*（P-1）+2维向量？
qq_43684686的博客
05-15 367
LBP中等价模式为什么是P*（P-1）+2维向量？ 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”（Uniform Pattern）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，该类型保留；跳变次数超过2次时，均归为一类。 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
LBP等价模式Uniform Pattern种类推导 P(P-1)+2
triayuzu的博客
04-19 1175
等价模式说明： 提出LBP算法的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（零次跳变），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)
lbp特征提取（等价模式）
weixin_30882895的博客
10-25 999
LBP等价模式 考察LBP算子的定义可知，一个LBP算子可以产生多种二进制模式（p个采样点）如：3x3邻域有p=8个采样点，则可得到2^8=256种二进制模式；5x5邻域有p=24个采样点，则可得到2^24=16777216种二进制模式，以此类推......。显然，过多的二进制模式无论对于纹理的提取还是纹理的识别、分类及信息存取都是不利的，在实际应用中不仅要求采用的算子尽量...
关于LBP特征等价模式的解释
u014682691的专栏
07-17 8758
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”（Uniform Pattern）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，该类型保留；跳变次数超过2次时，均归为一类。 通过这样的
均一模式局部二值模式纹理特征计算代码，Uniform-LBP，旋转不变模式
05-16
本文将详细讨论“均一模式局部二值模式”（Uniform Local Binary Pattern, U-LBP）以及基于IDL实现的计算代码。 局部二值模式（LBP）是一种简单而有效的纹理分析方法，它通过比较像素邻域内的灰度差异来生成二进制...
Uniform Pattern LBP特征
姜希成的博客
06-04 3410
Uniform Pattern，也被称为等价模式或均匀模式，由于一个LBP特征有多种不同的二进制形式，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2P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以指数形式增加的。例如：5×5邻域内20个采样点，有220＝1,048,576种二进制模式。这么多的二进制模式不利于纹理的提取、分类、识别及存取。例如，将LBP算子用于纹理分...
图像特征提取 — LBP算法
kk123k的博客
01-10 1226
原创博客，转载请注明出处！ 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法；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...
LBP学习笔记（3）---等价模式特征（代码实现）
qq_66036911的博客
04-24 735
LBP等价不变特征提取，代码实现（详解）
getmapping.rar_LBP等价模式_MAPPING LBP
07-14
LBP的mapping计算，包含旋转不变、等价模式的输出
uniformLBP
05-10
均匀LBPmatlab代码，可以将传统的256维降低到59维
LBP等价模式个数推导
weixin_43862688的博客
03-12 924
等价模式”被定义为：当某个LBP所对应的循环二进制数从0到1或者从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 以采样点5个为例 跳变0次的情况是： 00000和11111 跳变2次的情况是：00001 00010 00100 01000 10000 00011 00110 01100 11000 10001 00111 01110 11100 11001 10011 ...
LBP等价模式解释
hankobe1的博客
03-16 2356
LBP等价模式   当分块成7 x 7的区域时，数据维度位7x7x256＝12544维，可以看出数据的维度还是比较大，所以需要进一步进行降维。因此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”(Uniform Pattern)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...
LBP, Uniform LBP 等价模式个数的推导
xiaojiajia007的博客
11-15 6270
先来简单复习一下一般LPB特征是如何提取的，如下图： 3*3尺寸的LBP提取过程 1.普通LBP 设LBP运算的像素点个数为p, 模式个数即是p个0或者1进行排列的可能数，也就是2^p种 2.均匀LPB模式 按照定义，考虑LBP特征序列跳变次数小于2的可能数目，分情况讨论： (1）0次跳变，只有两种，即00...0或者111...1 (2)   1
LBP特征（4）Uniform Pattern LBP特征
zfjBIT的专栏
05-28 3714
参考：https://blog.youkuaiyun.com/quincuntial/article/details/50541815 Uniform Pattern LBP特征 Uniform Pattern，也被称为等价模式或均匀模式，由于一个LBP特征有多种不同的二进制形式，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2^P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...
LPB特征分析
松子茶的专栏
01-07 9429
局部二值模式(Local binary patterns,LBP)是机器视觉领域中用于描述图像局部纹理特征的算子,具有旋转不变性和灰度不变性等显著的优点。它是由T. Ojala, M.Pietikäinen, 和 D. Harwood [1][2]在1994年提出，LBP在纹理分类问题上是一个非常强大的特征；如果LBP与HOG结合，则可以在一些集合上十分有效的提升检测效果。LBP是一个简单但非常有效的纹理运算符。它将各个像素与其附近的像素进行比较，并把结果保存为二进制数。由于其辨别力强大和计算简单，局部二值
OpenCV：LBP和HOG特征算子
あずにゃん梓喵的博客
07-31 2652
日萌社 人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新） 4.5 LBP和HOG特征算子 学习目标： 了解LBP特征的原理 了解LBP的改进算法：圆形LBP，旋转LBP和等价模式 了解HOG算法的原理 熟悉灰度图像的γ变换 了解HOG特征的提取流程 了解LBP特征的提取方法 了解HOG特征...
1. 收集人脸图像数据集，分别提取LBP、Gabor、Haar和SIFT特征，并采用支持向量机、KNN和AdaBoost进行人脸识别，输出每个模型的人脸识别准确率和识别结果。
最新发布
12-28
### 数据收集 为了构建有效的人脸识别系统，高质量的数据集至关重要。通常可以从公开数据库获取人脸图像数据集，也可以自行采集特定场景下的照片。常用的一些开源人脸库有LFW(Labeled Faces in the Wild)[^1] 和 CelebA等。 ### 特征提取方法概述 #### 局部二值模式 (Local Binary Patterns, LBP) LBP 是一种用于纹理分析的有效算子，在灰度空间和尺度不变性方面表现出色。对于每张输入图片中的像素点与其领域内其他像素的关系进行编码形成特征直方图表示该区域特性. ```python import cv2 from skimage.feature import local_binary_pattern as lbp def extract_lbp(image): radius = 3 n_points = 8 * radius image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) lbp_image = lbp(image_gray, P=n_points, R=radius, method="uniform") hist, _ = np.histogram(lbp_image.ravel(), bins=np.arange(0, n_points + 3), range=(0, n_points + 2)) return hist / sum(hist) # 归一化处理 ``` #### Gabor 滤波器 Gabor 函数能够捕捉局部频率成分变化情况，适用于描述自然物体表面结构信息。通过调整参数可获得多方向多尺度响应组合成最终表征向量. ```python def build_filters(): filters = [] ksize = 9 for theta in np.arange(0, np.pi, np.pi/4): # 不同情境下角度间隔可能有所不同 kern = cv2.getGaborKernel((ksize,ksize), 4.0, theta, 10.0, 0.5, 0, ktype=cv2.CV_32F) kern /= 1.5*kern.sum() filters.append(kern) return filters def process(img,filters): accum = np.zeros_like(img) for kern in filters: fimg = cv2.filter2D(img,cv2.CV_8UC3,kern) np.maximum(accum,fimg,accum) return accum.flatten() # 将二维矩阵展平为一维数组作为特征向量 ``` #### Haar 特征 Haar-like 特征简单直观地反映了矩形区域内亮度差异状况，常被应用于快速检测任务当中。OpenCV 提供了预训练好的级联分类器可以直接加载使用来进行正面脸部定位. ```python face_cascade = cv2.CascadeClassifier('haarcascade_frontalface_default.xml') def detect_faces(gray_img): faces = face_cascade.detectMultiScale( gray_img, scaleFactor=1.1, minNeighbors=5, minSize=(30, 30), flags=cv2.CASCADE_SCALE_IMAGE ) features = [] for (x,y,w,h) in faces: roi = gray_img[y:y+h,x:x+w] feature_vector = haar_feature_extraction_function(roi) # 假设此函数已定义好 features.append(feature_vector) return features ``` #### SIFT 描述符 SIFT(Scale-Invariant Feature Transform) 对光照、视角变换具有较强鲁棒性的关键点匹配技术之一。尽管专利保护期满后变得更为普及但仍需注意版权问题. ```python sift = cv2.SIFT_create() def compute_sift_features(image): keypoints, descriptors = sift.detectAndCompute(image,None) if len(keypoints)>0: avg_descriptor = np.mean(descriptors,axis=0).reshape(-1,) # 取平均值简化表达形式 return avg_descriptor.tolist() else: raise ValueError("No keypoint detected.") ``` ### 使用多种机器学习模型评估性能 针对上述四种手工设计的特征表述方式，可以分别采用支持向量机（Support Vector Machine）、K最近邻(K-Nearest Neighbors)和支持向量机三种不同的监督式学习算法完成分类工作，并比较它们之间优劣之处： - **SVM**: 支持向量机擅长解决高维度线性和非线性分类难题；当样本数量较少而属性较多时表现良好； - **KNN**: K近邻法则依赖于实例间的相似程度作出预测决策，易于理解和实现不过效率较低尤其面对大数据集时； - **AdaBoost**: 自适应增强是一种集成学习策略，能自动调节弱分类器权重从而提高整体泛化能力。 具体操作流程如下所示: ```python from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.svm import SVC from sklearn.neighbors import KNeighborsClassifier from sklearn.ensemble import AdaBoostClassifier from sklearn.metrics import accuracy_score X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=.2) scaler = StandardScaler().fit(X_train) scaled_X_train = scaler.transform(X_train) scaled_X_test = scaler.transform(X_test) svm_clf = SVC(kernel='linear', C=1).fit(scaled_X_train, y_train) y_pred_svm = svm_clf.predict(scaled_X_test) print(f"SVM Accuracy: {accuracy_score(y_test, y_pred_svm)}") knn_clf = KNeighborsClassifier(n_neighbors=7).fit(scaled_X_train, y_train) y_pred_knn = knn_clf.predict(scaled_X_test) print(f"KNN Accuracy: {accuracy_score(y_test, y_pred_knn)}") ada_boost_clf = AdaBoostClassifier(n_estimators=100).fit(scaled_X_train, y_train) y_pred_adaboost = ada_boost_clf.predict(scaled_X_test) print(f"AdaBoost Accuracy: {accuracy_score(y_test, y_pred_adaboost)}") ```
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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