LBP特征提取算法

LBP(Local Binary Patterns，局部二值模式)是提取局部特征作為判別依據的，一種有效的紋理描述算子，度量和提取圖像局部的紋理信息，它具有旋轉不變性和灰度不變性等顯著的優點，對光照具有不變性。而且，提取的特征是圖像的局部的紋理特征。原始的LBP于1994年提出，它反映內容是每個像素與周圍像素的關系。后被不斷的改進和優化，分別提出了LBP旋轉不變模式、LBP均勻模式等。
灰度不變性：指的是光照變化是否會對描述產生影響。以上面的8鄰域來說，光照變化很難改變中心像素點的灰度值與周圍8個像素的大小關系。因為光照是一種區域性質的變化，而不是單像素性質的變化。

1、LBP特征描述

LBP的基本思想是定義于像素的8鄰域中(3x3的窗口), 以中心像素的灰度值為閾值, 將周圍8 個像素的值與其比較, 如果周圍的像素值小于中心像素的灰度值, 該像素位置就被標記為0, 否則標記為1。這樣3x3的鄰域內的八個點經過比較能夠產生8位二進制數(通常轉換為十進制，即LBP碼，共256種)，每個像素得到一個二進制組合, 即得到該窗口中心像素點的LBP值，并用這個值來反映該區域的紋理信息。

（01111100）=4+8+16+32+64=124


一般以左上角為第一個點，逆時針進行旋轉

(原論文的公式定義）
一個更加正式的LBP操作可以被定義為：

其中（Xc, yc) 是中心像素，亮度是ic ；而 ip則是相鄰像素的亮度。s是一個符號函數：

2、LBP的改進版本：

(1)圓形LBP算子

基本的 LBP算子的最大缺陷在于它只覆蓋了一個固定半徑范圍內的小區域，這顯然不能滿足不同尺寸和頻率紋理的需要。為了適應不同尺寸的紋理特征，達到灰度和旋轉不變性的要求。將 3×3鄰域擴展到任意鄰域，并用圓形鄰域代替了正方形鄰域，改進后的 LBP 算子允許在半徑為 R的圓形鄰域內有任意多個像素點。從而得到了諸如半徑為R的圓形區域內含有P個采樣點的LBP算子。

(2)LBP旋轉不變模式
原始的LBP不具有旋轉不變性，圖像的旋轉就會得到不同的LBP值。這樣我們就提出了旋轉不變的LBP模式。旋轉不變的LBP計算公式如下：

Maenpaa等人又將 LBP算子進行了擴展，提出了具有旋轉不變性的 LBP 算子，即不斷旋轉圓形鄰域得到一系列初始定義的 LBP值，取其最小值作為該鄰域的 LBP 值。
下圖給出了求取旋轉不變的 LBP 的過程示意圖，圖中算子下方的數字表示該算子對應的 LBP值，圖中所示的 8 種 LBP模式，經過旋轉不變的處理，最終得到的具有旋轉不變性的 LBP值為 15。也就是說，圖中的 8種 LBP 模式對應的旋轉不變的 LBP模式都是 00001111。

3）LBP等價模式
　　一個LBP算子可以產生不同的二進制模式，對于半徑為R的圓形區域內含有P個采樣點的LBP算子將會產生2的P次方種模式。很顯然，隨著鄰域集內采樣點數的增加，二進制模式的種類是急劇增加的。例如：5×5鄰域內20個采樣點，有2的20次方，1048576種二進制模式。如此多的二值模式無論對于紋理的提取還是對于紋理的識別、分類及信息的存取都是不利的。同時，過多的模式種類對于紋理的表達是不利的。例如，將LBP算子用于紋理分類或人臉識別時，常采用LBP模式的統計直方圖來表達圖像的信息，而較多的模式種類將使得數據量過大，且直方圖過于稀疏。因此，需要對原始的LBP模式進行降維，使得數據量減少的情況下能最好的代表圖像的信息。
　　為了解決二進制模式過多的問題，提高統計性，Ojala提出了采用一種“等價模式”（Uniform Pattern）來對LBP算子的模式種類進行降維。Ojala等認為，在實際圖像中，絕大多數LBP模式最多只包含兩次從1到0或從0到1的跳變。因此，Ojala將“等價模式”定義為：當某個LBP所對應的循環二進制數從0到1或從1到0最多有兩次跳變時，該LBP所對應的二進制就稱為一個等價模式類。如00000000（0次跳變），00000111（只含一次從0到1的跳變），10001111（先由1跳到0，再由0跳到1，共兩次跳變）都是等價模式類。除等價模式類以外的模式都歸為另一類，稱為混合模式類，例如10010111（共四次跳變）
　　通過這樣的改進，二進制模式的種類大大減少，而不會丟失任何信息。模式數量由減少為 P ( P-1)+2種，其中P表示鄰域集內的采樣點數。對于3×3鄰域內8個采樣點來說，二進制模式由原始的256種減少為58種，即：它把值分為59類，58個uniform pattern為一類，其它的所有值為第59類。這樣直方圖從原來的256維變成59維。這使得特征****向量的維數更少，并且可以減少高頻噪聲帶來的影響。
具體實現：采樣點數目為8個，即LBP特征值有256種，共256個值，正好對應灰度圖像的0-255，因此原始的LBP特征圖像是一幅正常的灰度圖像，而等價模式LBP特征，根據0-1跳變次數，將這256個LBP特征值分為了59類，從跳變次數上劃分：跳變0次—2個，跳變1-2次56個，跳變3次—0個，跳變4次—140個，跳變5次—0個，跳變6次—56個，跳變7次—2個。共8種跳變情況，將這256個值進行分配，跳變小于2次的為等價模式類，共58個，他們對應的值按照從小到大分別編碼為1—58，即它們在LBP特征圖像中的灰度值為1—58，而除了等價模式類之外的混合模式類被編碼為0，即它們在LBP特征中的灰度值為0，因此等價模式LBP特征圖像整體偏暗。
第二幅圖像為radius =1 ，neighbors = 8，第三幅圖像為radius = 3，neighbors = 8，第四幅圖像為radius = 1，neighbors = 8，從實驗結果可以看出，半徑越小，圖像紋理越精細.第四幅圖像為旋轉不變LBP特征，最后一幅是等價模式LBP特征。

　　
3、對LBP特征向量進行提取的步驟

LBP的應用中，如紋理分類、人臉分析等，LBP特征提取結果還是大小相同的一幅圖像，一般都不將LBP圖譜作為特征向量用于分類識別，而是采用LBP特征譜的統計直方圖作為特征向量用于分類識別。
LBPH，Local Binary Patterns Histograms，即LBP特征的統計直方圖，LBPH將LBP特征與圖像的空間信息結合在一起。這種表示方法由Ahonen等人在論文[3]中提出，他們將LBP特征圖像分成m個局部塊，并提取每個局部塊的直方圖，然后將這些直方圖依次連接在一起形成LBP特征的統計直方圖，即LBPH。
一幅圖像具體的計算LBPH的過程（以Opencv中的人臉識別為例）：

計算圖像的LBP特征圖像，在上面已經講過了。

將LBP特征圖像進行分塊，Opencv中默認將LBP特征圖像分成8行8列64塊區域

計算每塊區域特征圖像的直方圖cell_LBPH，將直方圖進行歸一化，直方圖大小為1*numPatterns

將上面計算的每塊區域特征圖像的直方圖按分塊的空間順序依次排列成一行，形成LBP特征向量，大小為1*（numPatterns*64）

用機器學習的方法對LBP特征向量進行訓練，用來檢測和識別目標
舉例說明LBPH的維度：
采樣點為8個，如果用的是原始的LBP或Extended LBP特征，其LBP特征值的模式為256種，則一幅圖像的LBP特征向量維度為：64256=16384維，
而如果使用的UniformPatternLBP特征，其LBP值的模式為59種，其特征向量維度為：6459=3776維，可以看出，使用等價模式特征，其特征向量的維度大大減少，
這意味著使用機器學習方法進行學習的時間將大大減少，而性能上沒有受到很大影響。
然后便可利用SVM或者其他機器學習算法進行分類了。

from skimage.feature import local_binary_pattern from skimage import data, filters import matplotlib.pyplot as plt import cv2# settings for LBP radius = 3 # LBP算法中范圍半徑的取值 n_points = 8 * radius # 領域像素點數# 讀取圖像 image = cv2.imread('1.jpg')#顯示到plt中，需要從BGR轉化到RGB，若是cv2.imshow(win_name, image)，則不需要轉化 image1 = cv2.cvtColor(image, cv2.COLOR_BGR2RGB) plt.subplot(221) # 把畫布分成2*2的格子，放在第一格 plt.imshow(image1)# 轉換為灰度圖顯示 image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) plt.subplot(222) # 把畫布分成2*2的格子,放在第2格 plt.imshow(image, cmap='gray')# LBP特征 lbp = local_binary_pattern(image, n_points, radius) plt.subplot(223) # 把畫布分成2*2的格子,放在第3格 plt.imshow(lbp, cmap='gray')# 邊緣特征-sobel算子 edges = filters.sobel(image) plt.subplot(224) # 把畫布分成2*2的格子,放在第4格 plt.imshow(edges, cmap='gray') plt.show()

總結

以上是生活随笔為你收集整理的LBP特征详细原理-python代码复现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。