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简单,同时也要考虑到计算速度、存储量大小等问题。因此需要对原始的LBP模式进行降维。
Ojala提出一种“等价模式”(Uniform Pattern)来对LBP算子进行降维,Ojala等认为图像中,某个局部二进制模式所对应的循环二进制数从0—>1或从1—>0,最多有两次跳变,该局部二进制模式所对应的二进制就成为一个等价模式。
如00000000,00111000,10001111,11111111等都是等价模式类。判断一个二进制模式是否为等价模式最简单的办法就是将LBP值与其循环移动一位后的值进行按位相与,计算得到的二进制数中1的个数,若个数小于或等于2,则是等价模式;否则,不是。除了等价模式以外的模式都归一一类,称为混合模式类,例如10010111(共四次跳变)。
跳变的计算方法:如10010111,首先第一二位10,由1—>0跳变一次;第二、三位00,没有跳变;第三、四位01,由0—>1跳变一次,第四、五位10,由1—>0跳变一次;第五六位01,由0—>1跳变一次;第六七位11,没有跳变;第七八位11,没有跳变;第八位和第一位11,没有跳变;故总共跳变4次。
通过这种改进,二进制模式的种类大大减少,而不会丢失任何信息,模式种类由原来的2^p减少为p*(p-1)+2种。
但等价模式代表了图像的边缘、斑点、角点等关键模式,等价模式占了总模式中的绝大多数,所以极大的降低了特征维度。利用这些等价模式和混合模式类直方图,能够更好地提取图像的本质特征。
1、LBPFeature.h
#include <iostream> #include <opencv2/opencv.hpp> using namespace std; using namespace cv; class LBPFeature { public: //LBP uchar table[256];//查找表 Mat LbpImg;//Lbp图像 Mat Lbp59Mat; //返回的mat是一个59维的矩阵 32FC1; public: int getHopCount(int i);// 获取i中0,1的跳变次数 void lbp59table(uchar *table);// 降维数组 由256->59 void uniformLBP(Mat &image, Mat &LbpImg, Mat &Lbp59Mat, uchar *table);//得到等价模式lbp值 LBPFeature(void); ~LBPFeature(void); };
2、LBPFeature.cpp
#include <iostream> #include <opencv2/opencv.hpp> #include "LBPFeature.h" using namespace std; using namespace cv; //*******获取图像的lbp值 等价模式****** LBPFeature::LBPFeature(void) { } LBPFeature::~LBPFeature(void) { } // 获取i中0,1的跳变次数 int LBPFeature::getHopCount(int i) { int a[8] = { 0 }; int cnt = 0; int k = 7; // 转换为二进制 while (i) { // 除2取余 a[k] = i % 2; a[k] = i & 1; // 除2取整 i/=2; i = i >> 1; --k; } // 计算跳变次数 for (k = 0; k < 7; k++) { if (a[k] != a[k + 1]) { ++cnt; } } // 注意,是循环二进制,所以需要判断是否为8 if (a[0] != a[7]) { ++cnt; } return cnt; } // 建立等价模式表 void LBPFeature::lbp59table(uchar *table) { //将已开辟内存空间 为256的table的值赋值为0。 memset(table, 0, 256); uchar temp = 1; for (int i = 0; i < 256; i++) { // 跳变次数<=2 的为非0值 if (getHopCount(i) <= 2) { table[i] = temp; temp++; } } } //降维数组 由256->59 void LBPFeature::uniformLBP(Mat &image, Mat &LbpImg, Mat &Lbp59Mat, uchar *table) { Lbp59Mat = Mat::zeros(1, 59, CV_32FC1); float saveResult[59] = { 0.0 }; LbpImg.create(Size(image.cols, image.rows), image.type()); for (int y = 1; y < image.rows - 1; y++) { for (int x = 1; x < image.cols - 1; x++) { //得到邻域像素值 uchar neighbor[8] = { 0 }; neighbor[0] = image.at<uchar>(y - 1, x - 1); neighbor[1] = image.at<uchar>(y - 1, x); neighbor[2] = image.at<uchar>(y - 1, x + 1); neighbor[3] = image.at<uchar>(y, x + 1); neighbor[4] = image.at<uchar>(y + 1, x + 1); neighbor[5] = image.at<uchar>(y + 1, x); neighbor[6] = image.at<uchar>(y + 1, x - 1); neighbor[7] = image.at<uchar>(y, x - 1); //得到中心像素值 uchar center = image.at<uchar>(y, x); uchar temp = 0; for (int k = 0; k < 8; k++) { // 计算LBP的值 temp += (neighbor[k] >= center)* (1 << k); } // 降为59维空间 LbpImg.at<uchar>(y, x) = table[temp]; int value = LbpImg.at<uchar>(y, x); for (int k = 0;k<59;k++) { if (value == k) { saveResult[k ]++; } } } } for (int i = 0;i<59;i++) { float v59 = saveResult[i]; Lbp59Mat.at<float>(0, i) = v59; } }